Intentional Self-Care Activities Improve Health Behavior Scores for Nurses: A Qualitative Observational Study
Notice bibliographique
Résumé
AIMS AND OBJECTIVES: Nurses face a variety of stressors and research examining nursing employee wellness programs is inconclusive with regard to cost-benefit and outcomes. This study aims to explore the impact of a self-directed short-term (2 wk) self-care activity on registered nurses (RNs) self-rated health-related quality of life. METHODOLOGICAL DESIGN AND JUSTIFICATION: This was a prospective nonrandomized interventional pilot study that consented RNs working in a university hospital working day shift and night shift. Demographic data and the RAND-36-item Short Form (RAND-36) scores were obtained at baseline. Each RN then self-selected and committed to engaging in one of 30 self-care activities for a 2-week period. Follow-up RAND-36 scores were obtained after RNs completed the 2-week intervention. INSTRUMENT: The RAND-36 is a tool that was used to collect participant responses. RESULTS: One hundred twenty-one nurses were enrolled in the study. Ninety-five (78.5%) out of the 121 had both baseline and follow-up SF-26 scores available. The nurses were mostly baccalaureate prepared [95 (78.5%)] and worked day shift [87 (71.9%)]. The physical health problems subscale at baseline [21.2 (6.0)] was similar to follow-up [22 (6.0); P=0.386]. There was a statistically significant improvement in RAND-36 subscale scores for: physical functioning (P=0.0096), pain (P=0.003), general health perceptions (P<0.0001), energy and fatigue (P<0.0001), social functioning (P=0.0004), emotional health problems (P=0.0422), and emotional well-being (P=0.0348). CONCLUSIONS: This study identified a positive impact on nursing when the nurses self-selected a wellness activity. Positive changes in energy/fatigue, social functioning, and emotional well-being showed potential for healthcare workers and their well-being. Exploring short-term programs that promote autonomous motivation may provide cost-effective wellness programs. Future work should test for sustainability and long-term impact.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».