Revue intégrative des stratégies de prévention et de traitement de la fatigue de compassion chez les infirmières en oncologie
Bibliographic record
Abstract
La fatigue (ou usure) de compassion est un mélange de traumatisme secondaire et d’épuisement professionnel cumulatif résultant d’une difficulté à composer avec son environnement. De par la nature de leurs fonctions, les infirmières en oncologie sont particulièrement sujettes à la fatigue de compassion. Les conclusions de la présente revue intégrative révèlent un manque de sensibilité et de compréhension envers les infirmières en oncologie qui éprouvent de la fatigue de compassion, et ce, même s’il s’agit d’un groupe à haut risque. Il sera ici question de l’efficacité des stratégies d’autosoins, de pleine conscience et d’interventions visant à renforcer la résilience pour surmonter la fatigue de compassion. Certaines études suggèrent que les interventions préventives seraient plus efficaces que les interventions curatives. Il est essentiel de promouvoir et de protéger le bien-être des infirmières en oncologie; c’est aux organisations, aux administrations, aux établissements d’enseignement, aux équipes soignantes et à chaque infirmière d’y voir. Mots-clés : fatigue de compassion, traumatisme secondaire, traumatisme vicariant, épuisement professionnel, oncologie, infirmière
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.015 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.006 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".