본 연구에서는 인공지능 기술 중 구글에서 개발하여 오픈소스로 제공하고 있는 텐서플로우(Tensorflow) 활용하여 신규간호사 이직률을 예측해 보았고, 이를 통해 전략적 인적자원관리 방안을 제시하였다. 부산지역 한 대학병원의 2010년에서 2017년 사이 퇴직한 간호사 데이터 1,018건을 수집하였다. 학습에 사용된 자료는 순서를 임의로 재배열 한 뒤 전체 데이터의 80%를 학습에, 나머지 20%를 테스트에 이용하였다. 활용된 알고리즘은 다중신경망회로(multiple neural network)로서 입력층과 출력층, 3개 층의 은닉층을 가지도록 설계 되었다. 본 연구의 결과 텐서플로우 플랫폼을 활용하여 1년 이내 이직률을 88.7%, 3년 이내 조기 이직률은 79.8%의 정확도로 예측하였고, 대상자들의 퇴직 시 연령은 20대 후반부터 30대에 집중되어 있었다. 가장 높은 빈도를 차지한 이직 사유로는 '결혼, 출산, 육아, 가정 및 개인사정'이었으나, 근무기간 1년 이하 대상자 들의 가장 높은 이직사유는 '업무 부적응 및 대인관계 문제'로 나타났다.
본 연구에서는 인공지능 기술 중 구글에서 개발하여 오픈소스로 제공하고 있는 텐서플로우(Tensorflow) 활용하여 신규간호사 이직률을 예측해 보았고, 이를 통해 전략적 인적자원관리 방안을 제시하였다. 부산지역 한 대학병원의 2010년에서 2017년 사이 퇴직한 간호사 데이터 1,018건을 수집하였다. 학습에 사용된 자료는 순서를 임의로 재배열 한 뒤 전체 데이터의 80%를 학습에, 나머지 20%를 테스트에 이용하였다. 활용된 알고리즘은 다중신경망회로(multiple neural network)로서 입력층과 출력층, 3개 층의 은닉층을 가지도록 설계 되었다. 본 연구의 결과 텐서플로우 플랫폼을 활용하여 1년 이내 이직률을 88.7%, 3년 이내 조기 이직률은 79.8%의 정확도로 예측하였고, 대상자들의 퇴직 시 연령은 20대 후반부터 30대에 집중되어 있었다. 가장 높은 빈도를 차지한 이직 사유로는 '결혼, 출산, 육아, 가정 및 개인사정'이었으나, 근무기간 1년 이하 대상자 들의 가장 높은 이직사유는 '업무 부적응 및 대인관계 문제'로 나타났다.
In this study, authors predicted probability of resignation of newly employed nurses using TensorFlow, an open source software library for numerical computation and machine learning developed by Google, and suggested strategic human resources management plan. Data of 1,018 nurses who resigned betwee...
In this study, authors predicted probability of resignation of newly employed nurses using TensorFlow, an open source software library for numerical computation and machine learning developed by Google, and suggested strategic human resources management plan. Data of 1,018 nurses who resigned between 2010 and 2017 in single university hospital were collected. After the order of data were randomly shuffled, 80% of total data were used for machine leaning and the remaining data were used for testing purpose. We utilized multiple neural network with one input layer, one output layer and 3 hidden layers. The machine-learning algorithm correctly predicted for 88.7% of resignation of nursing staff with in one year of employment and 79.8% of that within 3 years of employment. Most of resigned nurses were in their late 20s and 30s. Leading causes of resignation were marriage, childbirth, childcare and personal affairs. However, the most common cause of resignation of nursing staff with in one year of employment were maladaptation to the work and problems in interpersonal relationship.
In this study, authors predicted probability of resignation of newly employed nurses using TensorFlow, an open source software library for numerical computation and machine learning developed by Google, and suggested strategic human resources management plan. Data of 1,018 nurses who resigned between 2010 and 2017 in single university hospital were collected. After the order of data were randomly shuffled, 80% of total data were used for machine leaning and the remaining data were used for testing purpose. We utilized multiple neural network with one input layer, one output layer and 3 hidden layers. The machine-learning algorithm correctly predicted for 88.7% of resignation of nursing staff with in one year of employment and 79.8% of that within 3 years of employment. Most of resigned nurses were in their late 20s and 30s. Leading causes of resignation were marriage, childbirth, childcare and personal affairs. However, the most common cause of resignation of nursing staff with in one year of employment were maladaptation to the work and problems in interpersonal relationship.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이와 같이 신규간호사의 잦은 이직은 의료기관 내부에서 시행하는 모집, 선발, 교육, 훈련 등에 소요되는 경제적·인적 손실뿐만 아니라 신규간호사 개인에게도 손실이 된다[32,33]. 따라서 본 연구는 의료분야에서 현실적으로 문제가 되고 있는 신규 간호사의 이직률을 예측하여 신규간호사의 사직 문제 및 해결방안을 위한 기초자료를 제공하고자 한다.
본 연구는 인공지능 기술 중 구글에서 개발하여 오픈소스로 제공하고 있는 텐서플로우(Tensorflow) 플랫폼을 활용하여 신규간호사 이직률을 예측하고, 이를 바탕으로 인공지능을 활용한 전략적 인적자원관리 방안을 제언하고자 시도하였다.
본 연구는 인공지능 중 구글에서 개발하여 오픈소스로 제공하고 있는 텐서플로우(Tensorflow) 플랫폼을 활용하여 신규간호사 이직률을 예측하는 것이다. 본 연구를 위해 부산지역에 소재한 한 대학병원의 연구윤리심의위원회로부터 승인을 받고, 간호부의 협조를 얻어 2010년부터 2017년 사이 퇴직한 간호사 1,018명의 정보를 수집하였다.
인공지능은 현재 태동기로 아직까지 정형화된 기술체계가 없지만, 기반기술로서의 성격이 강한 인공지능의 활용영역은 광범위하다[15]. 본 연구에서는 인공지능 중 텐서플로우를 활용하여 신규간호사 이직률을 예측해 보았다. 텐서플로우는 기계학습과 딥 러닝을 위해 구글이 만든 오픈소스 라이브러리로, 윈도우, 맥, 리눅스 등 다양한 플랫폼에 설치가 가능하다[28].
본 연구에서는 신규간호사를 간호사 면허를 취득하고 의료기관에 종사한지 1년 이내의 20∼30대 정규직 또는 비정규직 간호사라 정의하겠다. 이에 본 연구에서는 최근 활용도가 높아진 인공지능을 간호사 인적자원관리 분야에 적용해보고자 하며, 인공지능 기술 중 IBM에서 개발하여 오픈소스로 제공하고 있는 텐서플로우(Tensorflow) 플랫폼을 활용하여 신규간호사 이직률을 예측해 보고자 한다.
제안 방법
수집된 정보는 개인정보를 비식별화 한 후, 성별, 나이, 출신 학교 등 일반적 특성과 근무기간, 퇴사 시 근무지 등 직무관련 특성으로 구분하였다. 나이와 같은 수치형 데이터는 최고 값이 1이 되도록 정규화하고 여러 개의 값을 가진 변수는 기계학습을 위해 더미변수화 하였으며, 자료의 처리는 EXCEL 2007 프로그램을 사용하였다.
이직률 예측은 구글 Tensorflow를 사용하여, ‘1년 이하 조기 이직예측(모형Ⅰ)’과 ‘3년 이하 조기 이직예측(모형Ⅱ)’를 확인하고, 예측의 정확도를 검정하였다.
‘3년 이하 조기 이직예측’을 위해 1년 이내로 근무한 400명의 데이터를 제외하고, 618명의 데이터를 같은 방식으로 학습과 테스트하였다(모형 Ⅱ). 활용된 알고리즘은 다중신경망회로(multiple neural network)로서 입력층과 출력층, 3개 층의 은닉층을 가지도록 설계 되었다. 예측된 이직률의 의미를 파악하기 위해 SPSS WIN V.
대상 데이터
‘3년 이하 조기 이직예측’을 위해 1년 이내로 근무한 400명의 데이터를 제외하고, 618명의 데이터를 같은 방식으로 학습과 테스트하였다(모형 Ⅱ).
본 연구 대상자는 00병원에서 2010년부터 2017년 까지 퇴사한 간호사이며, 대상자의 95.4%(971명)는 여성으로 남자간호사는 4.6%(47명) 이었다. 이직 시점의 평균연령은 31.
본 연구는 인공지능 중 구글에서 개발하여 오픈소스로 제공하고 있는 텐서플로우(Tensorflow) 플랫폼을 활용하여 신규간호사 이직률을 예측하는 것이다. 본 연구를 위해 부산지역에 소재한 한 대학병원의 연구윤리심의위원회로부터 승인을 받고, 간호부의 협조를 얻어 2010년부터 2017년 사이 퇴직한 간호사 1,018명의 정보를 수집하였다.
본 연구에서는 신규간호사를 간호사 면허를 취득하고 의료기관에 종사한지 1년 이내의 20∼30대 정규직 또는 비정규직 간호사라 정의하겠다.
학습에 사용된 자료는 순서를 임의로 재배열 한 뒤 전체 데이터의 80%(814개)를 학습에, 나머지 20%(204개)를 테스트에 이용하여 ‘1년 이하 조기 이직’을 예측하였다(모형 Ⅰ).
데이터처리
수집된 정보는 개인정보를 비식별화 한 후, 성별, 나이, 출신 학교 등 일반적 특성과 근무기간, 퇴사 시 근무지 등 직무관련 특성으로 구분하였다. 나이와 같은 수치형 데이터는 최고 값이 1이 되도록 정규화하고 여러 개의 값을 가진 변수는 기계학습을 위해 더미변수화 하였으며, 자료의 처리는 EXCEL 2007 프로그램을 사용하였다.
활용된 알고리즘은 다중신경망회로(multiple neural network)로서 입력층과 출력층, 3개 층의 은닉층을 가지도록 설계 되었다. 예측된 이직률의 의미를 파악하기 위해 SPSS WIN V.22를 통해 각 변수간의 관계를 빈도, 비율, 평균, 표준편차, t or F로 분석하였다.
성능/효과
7%로 나타났다(Model Ⅰ). 1년 이하 조기 이직자 400명을 제외한 618개의 데이터 중 80%(494개)의 데이터로 학습을 실시 한 후 20%(124개)의 데이터를 테스트 한 결과, 3년 이하 이직률 예측 정확도는 79.8%, 학습 정확도는 92.4%로 나타났다(Model Ⅱ). 본 연구에서 활용한 신경 회로망(Neural Net)은 앞에서 제시한 Fig.
그러나 본 연구에서는 인공지능 기술인 딥 러닝을 통해 간호사들의 특성을 학습하여 이직 가능성을 예측할 수 있음을 확인하였으며, 기계학습의 특성 상 데이터가 축적될수록 더 정확한 분석과 예측이 가능하게 된다.
둘째, 대상자들의 퇴직 시 연령은 20대 후반부터 30대에 집중되어 있었으며, 가장 높은 빈도를 차지한 이직 사유로는 ‘결혼, 출산, 육아, 가정 및 개인사정’이었다.
본 연구 결과 인공지능을 이용한 간호사 조기 이직 예측이 가능하였고, 입사 후 시기와 생애 주기에 따라 간호사 이직 증가 요인에서 차이가 나타나고 있었다. 특히 입사 초기 신규간호사들에게는 업무 부적응과 대인관계의 문제가 가장 큰 것으로 나타났다.
본 연구에서 근무기간이 1년 이하인 간호사들이 업무부적응 및 대인관계 문제에서 가장 높은 이직사유로 분석되었다. 이와 관련하여 오금자·김은영[35]는 연령이 낮고 미혼인 경우, 임상경력이 낮은 경우, 또한 직위가 낮은 경우 특히 이직의 의도가 높게 나타난다고 하였고, 그러한 이유로 신규간호사의 경우 미흡한 위기대처능력과 과도한 감정노동 및 권위적인 조직문화로 인한 스트레스, 우울, 소진 등의 부정적인 정서적 경험 때문이라고 하였다.
생애주기에 따른 결혼 적령기이자 출산·육아의 문제가 발생하는 시기에 간호사들의 퇴직이 집중되어 있다는 것을 확인할 수 있다.
셋째, 신규간호사의 이직률이 특히 높은 임상현장에서 간호사 모집과 선발, 교육, 훈련 등 일련의 과정에 대한 인식 전환이 필요하다. 신규간호사를 대상으로 한 김선애 등[30]의 연구에서 대상자들은 선발 후 입사 전까지 소위‘웨이팅waiting’기간 동안 다른 업무환경을 경험한 것이 임상 적응에 부정적인 영향을 주었다고 하였다.
셋째, 퇴직 간호사들의 평균 근무기간은 38.16(±68.113)개월이며, 근무기간이 1년 이하인 대상자가 가장 많았다.
응급실 퇴사자의 평균 근무기간과 내과 병동, 외과병동, 수술실 퇴사자의 평균 근무기간 간, 또 중환자실 퇴사자의 평균 근무기간과 외과병동 퇴사자의 평균 근무기간 간의 차이는 통계적으로 유의미하였다(F=8.609, p< .001).
본 연구대상자의 각 특성을 기계학습으로 학습한 결과는 Table 3과 같다. 전체 데이터 1,018 개 중 80%(814개)의 데이터로 딥 러닝을 실시하고, 나머지 20%(204개)의 데이터를 테스트 한 결과, 1년 이하 이직률 학습 정확도는 91.8%, 테스트 결과 정확도는 88.7%로 나타났다(Model Ⅰ). 1년 이하 조기 이직자 400명을 제외한 618개의 데이터 중 80%(494개)의 데이터로 학습을 실시 한 후 20%(124개)의 데이터를 테스트 한 결과, 3년 이하 이직률 예측 정확도는 79.
그럼에도 불구하고 인공지능이라는 새로운 도구를 활용하여 다음과 같은 시사점을 얻을 수 있다. 첫째, 간호사의 특성을 토대로 조기 이직률을 예측할 수 있었다. 이는 간호사를 포함하여 전략적 인적자원관리를 위한 도구로서 인공지능의 활용가능성을 시사한다.
본 연구의 결과는 다음과 같다. 첫째, 텐서플로우 플랫폼을 활용한 대상자들의 이직률 예측이 가능하였다. 퇴직한 간호사들의 제한적인 특성 정보만으로도 기계학습을 통해 1년 이내 조기 이직을 88.
퇴사 시 마지막 근무지에 따른 총 근무기간은 응급실이 57.19(±98.504)개월로 가장 길었으며, 중환자실 50.89(±81.951)개월, 내과병동 평균 37.63 (±63.374)개월, 수술실 23.60(±25.138)개월, 외과병동 22.12(±36.010)개월 순으로 나타났다.
첫째, 텐서플로우 플랫폼을 활용한 대상자들의 이직률 예측이 가능하였다. 퇴직한 간호사들의 제한적인 특성 정보만으로도 기계학습을 통해 1년 이내 조기 이직을 88.7% 정확히 예측할 수 있었고, 3년 이내 이직률은 79.8%의 정확도로 예측하였다.
후속연구
대상자의 특성에 따라 예측된 이직률의 원인이나 그 해결방안을 제시할 수 없다는 점은 인공지능의 한계라고 할 수 있다. 그러나 인공지능 도구를 사용한 이직률의 예측과 그 활용은 다양한 분야에서 응용이 가능하며, 향후 간호사 이직뿐만 아니라 인공지능을 활용한 다양한 인간 행동 예측 연구가 이루어지기를 기대한다.
인공지능은 간호사 집단의 조기 이직 가능성을 예측하여, 간호사 모집, 선발규모 결정 및 추가 모집 시기 등 전략적 인적자원관리방안을 지원할 수 있으며, 간호사 이직 대응 전략의 성과 평가를 위한 지표로도 활용할 수도 있을 것이다. 그리고 인공지능을 이용하여 이직을 예측할 경우 앞으로 발생하는 데이터의 축적이 용이하고, 더욱더 정확한 데이터를 얻을 수 있을 것이다. 더불어 수많은 데이터가 발생해도 시간의 경과에 대한 추이 분석 및 시계열분석이 가능하기 때문에, 향후 연구에서 방법론적으로 활용 가능성이 클 것이다.
그리고 인공지능을 이용하여 이직을 예측할 경우 앞으로 발생하는 데이터의 축적이 용이하고, 더욱더 정확한 데이터를 얻을 수 있을 것이다. 더불어 수많은 데이터가 발생해도 시간의 경과에 대한 추이 분석 및 시계열분석이 가능하기 때문에, 향후 연구에서 방법론적으로 활용 가능성이 클 것이다.
특히 입사 초기 신규간호사들에게는 업무 부적응과 대인관계의 문제가 가장 큰 것으로 나타났다. 인공지능은 간호사 집단의 조기 이직 가능성을 예측하여, 간호사 모집, 선발규모 결정 및 추가 모집 시기 등 전략적 인적자원관리방안을 지원할 수 있으며, 간호사 이직 대응 전략의 성과 평가를 위한 지표로도 활용할 수도 있을 것이다. 그리고 인공지능을 이용하여 이직을 예측할 경우 앞으로 발생하는 데이터의 축적이 용이하고, 더욱더 정확한 데이터를 얻을 수 있을 것이다.
따라서 간호사 인적자원관리는 병원 인적자원관리에서 가장 큰 부분을 차지하며, 이는 병원 경영의 성패에 큰 영향을 미치게 된다[12]. 인공지능을 통해 이직률을 예측하고 적절히 대응하는 것은 적극적인 간호사 인적자원관리전략이라고 할 수 있으며, 데이터가 축적됨에 따라 인공지능 도구는 더 정확한 분석과 예측을 제공하게 될 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
인공지능의 다섯 가지 핵심기술은?
인공지능(Artificial Intelligence; AI)이란, 인간의 지능으로 할 수 있는 사고와 학습 등을 컴퓨터가 할 수 있도록 모방한 컴퓨터 프로그램이다[1]. 인공지능은 자연어처리, 기계학습, 패턴인식, 지식표현과 추론, 지능관리 행위자의 다섯 가지 핵심기술을 통해 방대한 양의 데이터를 빠르게 처리하여 효과적인 분석과 통찰을 가능하게 한다[2]. IBM의 왓슨(Watson)과 구글의 알파고(AlphagGo) 등 우수한 성능이 입증됨에 따라 인공지능의 적용분야는 점차 확대되고 있다[3].
인공지능이란?
인공지능(Artificial Intelligence; AI)이란, 인간의 지능으로 할 수 있는 사고와 학습 등을 컴퓨터가 할 수 있도록 모방한 컴퓨터 프로그램이다[1]. 인공지능은 자연어처리, 기계학습, 패턴인식, 지식표현과 추론, 지능관리 행위자의 다섯 가지 핵심기술을 통해 방대한 양의 데이터를 빠르게 처리하여 효과적인 분석과 통찰을 가능하게 한다[2].
간호사에 대한 적절한 인적자원관리시스템을 구축하고 관리하는 것이 반드시 필요한 이유는?
병원은 일반기업과 달리 의사, 간호사, 약사, 기술직, 행정직, 기능직 등 매우 다양한 인력들이 모여 팀워크로 의료서비스를 제공한다[9]. 이 중 간호사는 전체 인력의 30%이상을 차지하고 있으며[10], 의료현장에서 환자안전, 의료서비스 질 및 환자 만족도와 밀접하게 관련된 간호사의 잦은 이직으로 인해 많은 병원들이 어려움을 겪고 있다[8,11]. 따라서 간호사에 대한 적절한 인적자원관리시스템을 구축하고 관리하는 것이 반드시 필요하다[12].
참고문헌 (35)
J. H. Joo. (2016). How does Artificial Intelligence Change the traffic Environment. Journal of Monthly Transportation, 224, 80-87.
K. Y. Lee & J. H. Kim. (2016). Artificial Intelligence Technology Trends and IBM Watson References in the Medical Field. Korean Medical Education Review, 18(2), 51-57.
S. Y. Jin. (2016). The Autonomy of Artificial Intelligence, the Subject of Science Fiction, is coming to the Question of Reality. Journal of LG Business Insight, 2-21.
Wright, P. M., & McMahan, G. C. (1992). Theoretical perspectives for strategic human resource management. Journal of Management, 18(2), 295-320.
J. S. Her & Y. S. Yoon. (2009). A Study on the Directionality of Korean-style Strategic Human Resource Management. Korean Business review, 2(1), 223-248.
K. S. Park & S. H. Hwang. (2005). A Study on the Strategic Human Capital for competitive Advantage. Journal of Industrial Economics and Business, 18(5), 1957-1979.
E. R. Song, K. H. Park & J. S. Moon. (2016). The Moderating Effect of Job Embeddedness in the Relationship Between strategic Human Resource Management and Job Competence, Turnover Intention. The Korean Journal of Human Resource Development, 19(1), 73-107.
S. Y. Park, Y. H. Kwon & Y. S. Park. (2015). Resilience and Organizational Socialization in New Nurses. Journal of The Korea Contents Society, 15(2), 324-332.
W. Lee. (2006). Improvement of Hospital Human Resource Management for Achieving Organizational Goals. The Journal of Korean Hospital Association, 300, 73-83.
I. S. Son, H. S. Kim, J. S. Kwon, D. I. Park, Y. H. Han & S. S. Han. (2008). Development of an Instrument to Measure Organizational Socialization of New Clinical Nurses. Journal of Korea Clinical Nursing Research, 14(1), 82-97.
E. A. Jo & J. Y. Kang. (2015). Influence of Workplace Bullying and Resilience on Organizational Socialization in New Gradute Nurses. The Journal of Muscle and Joint Health, 22(2), 78-86.
K. J. Kim. (2012). Human Resource Management System for Nurses: Challenges and Research Directions. The Korean Journal of Health Service Management, 6(1), 247-258. ISSN: 2093-5966.
Hospital Nurses Association. (2012). Survey on the Status of Hospital Nursing Staff Placement. Seoul: Hospital Nurses Association.
S. O. Choi. (2005). The Development of an Organizational Socialization Process Model for New Nurses using a System Dynamics Approach. Journal of Korean Academy of Nursing, 35(2), 323-335.
J. P. Hong, E. J. Kim & H. Y. Park. (2017). An Analysis of Determinants for Artificial Intelligence Industry Competitiveness. Journal of the Korea Institute of Information and Communication Engineering, 21(4), 663-671.
S. W. Son. (2017). Copyright Protection on Artificial Intelligence(AI) generated Works. Journal of Korea Information law, 20(3), 83-110.
G. H. Kim, J. Y. Lee & A. S. O. (2013). The Convergence of Medical IT and Big Data. Journal of The Korea Society of Computer & Information, 21(2), 17-25.
J. M. Yang. (2016). A Study on Predictive Crime Analytics based on Artificial intelligence and Police Stop. New Trend of Criminal Law, Vol. 51, 210-242.
S. H. Lee. (2016). Artificial Intelligence Platform Competition is beginning. LG Business Insight, 2-16.
D. E. Lee. (2017). Innovation in Artificial Intelligence?: Focused on the Introduction of Watson by Gill. Journal of Science and Technology Policy, 227, 54-61.
Guest, D.E. (1989). Personnel anf HRM: can you tell the difference?. Personnel Management, 21, 48-51.
Beaumont, P.B. (1993). Human Resource Management: key concepts and skills. Sage Publications Thousand Oaks, Calif.
Wright, Smart, & McMahan. (1995). Matches Between Human Resources and Strategy among NCAA Basketball Teams. Academy of Management Journal, 38(4), 1052-1074.
Drucker, P. F. (1990). Management the non-profit organization practices and principles. Harper Colins publishers. Inc, New York, USA.
K. S. Song. (2011). Introduction to Korean Medical Service Industry and Success Factors-Focusing on CEO Leadership and SHRD in Asan Medical center. The Review of Business History, 29(2), 73-120.
Jeffery Pfeffer. (1998). The Human Equation:Building Profits by Putting People First. Harvard Business School Press. (Translator: S. J. Yoon & S. E. Park, 1998, Human Equation, Seoul: Gypsum).
H. K. Jo, T. Y. Lee & C. W. Kim. (2015). Hospital Nurse Turnover Rate and Structural Characteristics of Hospital. Journal of the Korea Academia-Industrial Cooperation Society, 16(1), 453-461.
B. K. Choi, B. S. Gam, K. Y. Hwang, S. H. Seo, J. S. Park, Y. M. Kim, I. S. Park, Y. H. Choi, S. G. Song & S. H. Kang. (2017). Tensorflow Programming Basics. Seoul: Cheong-Gu cultual conpany.
H. S. Park & J. H. Ha. (2016). Adaptation Experience of Sleep in New Nurses. The Korean Journal of Fundamentals of Nursing, 23(1), 21-31.
S. A. Kim & H. W. Jeon. (2014). Experience of Turnover in New Nurses. Journal of Korean Society of public Health Nursing, 28(3). 644-657. DOI: 10.5932/JKPHN.2014.28.3.644.
E. J. Yeun, Y. M. Kwon, M. S. Jeon & J. H. An. (2016). Factors Influencing Hospital Nurses' Turnover Intention: A Cross-sectional Survey. Journal of Korea Contents Society, 16(1), 94-106.
J. H. Park & M. H. Lee. (2017). Effect of a practical work-oriented education program on the ability of newly recruited nurses in execution of clinical competency, critical thinking and turnover rate. Journal of Digital Convergence, 15(7), 191-199.
S. S. Han, I. S. Sohn & N. E. Kim. (2009). New nurse turnover intention and influencing factors. Journal of Korean Academy Nursing, 39(6), 78-87.
M. L. Park & M. J. Lee. (2018). Effect of mentoring program's development about new nurses. Journal of Convergence for Information Technology, 8(1), 43-51.
K. J. Oh & E. Y. Kim. (2018). The influence of emotional labor of general hospital nurses on tunover intention: mediationg effect of nursing organizational culture. Journal of Digital Convergence, 16(5), 317-327.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.