Nurses' Awareness of and Intention to Use Music Therapy in Practice
Notice bibliographique
Résumé
BACKGROUND: Anxiety and pain are prevalent symptoms experienced by inpatients in acute, long-term and rehabilitation care settings. There is a need for effective relief from these symptoms without increasing the risks as a result of the intervention. Empirical evidence supports the use of music as a complementary therapy for the management of anxiety and pain. However, there is limited knowledge of nurses’ awareness of and intention to use music therapy in clinical practice. AIMS: This study examined nurses’ awareness of and intention to use music therapy for the management of anxiety and pain, and factors that influenced nurses’ intention to implement music therapy in practice. A conceptual framework incorporating elements of the Theory of Planned Behaviour and Triandis’ Theory of Interpersonal Behaviour guided the study. METHOD: A correlational, survey-type design was used. The sample consisted of 161 Registered Nurses who were currently providing direct care to patients in acute, rehabilitation and long-term care settings in Ontario. Data were collected using adapted instruments that were pilot tested. RESULTS: Attitudes, subjective norms, perceived behavioural control, moral norms, and awareness were positively and moderately (all β > 0.20, p < .05) associated with nurses’ intention to use music therapy for the management of anxiety and pain. Role beliefs, selected demographic and professional characteristics were not significantly related to nurses’ intention to use music therapy for either anxiety or pain management. Nurse, client and unit factors were additional factors reported by nurses as affecting their use of music therapy in practice. IMPLICATIONS: The findings suggested the need for strategies to educate nurses about music therapy to facilitate its implementation in clinical practice. Research exploring why nurses are unaware of music therapy as an intervention and revisions to the current conceptual framework to incorporate additional factors influencing intervention use are required.
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 | 0,003 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».