Brain drain in Türkiye’s nursing workforce: A literature review
Notice bibliographique
Résumé
Nurses represent the largest workforce group forming the foundation of global health systems. Despite this central role, a critical worldwide nursing shortage persists, posing significant threats to the sustainability of health systems, particularly in low- and middle-income countries. Although Türkiye’s nursing workforce has expanded in recent years, it remains far below OECD (Organization for Economic Co-operation and Development) averages and struggles to meet the growing demand for healthcare services. This review adopts a comprehensive approach to examine the economic, organizational, social, and psychological factors accelerating nurse brain drain from Türkiye, drawing on national and international data. Findings indicate that low wages, heavy workloads, insufficient staffing, workplace violence, limited career opportunities, and burnout serve as major push factors influencing nurses’ decision to migrate. Conversely, high-income countries such as Germany, the Netherlands, Canada, and the United Kingdom offer strong pull factors including higher salaries, safer working environments, lower nurse-to-patient ratios, and well-developed professional career pathways. While Türkiye’s migration patterns share similarities with nurse-exporting countries such as the Philippines and India, high rates of workplace violence and the emigration of experienced nurses place Türkiye in a distinct position. Nurse brain drain has immediate consequences, including increased workload and negative impacts on patient safety, and long-term effects such as loss of institutional memory and transfer of educational investments to receiving countries. This review underscores the need for policy development addressing the structural drivers of nurse brain drain and provides a critical situational analysis for the future of Türkiye’s healthcare system.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».