How to Harness the Power of the Possible – Mobile Point of Care Information
Notice bibliographique
Résumé
Mobile technology and hand-held communication devices are now a significant part of life for many Canadians. The data is clear; nurses and nursing students have access to appropriate technology like never before. The profession is harnessing the power of technology to access and improve care and knowledge. A recent study by Doran et al (2010) added to the knowledge base found that “It is feasible to provide nurses with access to evidence –based practice resources via mobile information technologies to reduce the barriers to research utilization”. The question is where to start? This article is aimed at assisting the novice mobile user, or the expert social network user to harness the possible power of the technology to improve patient care at the point of care. Concrete examples of applications will be provided to illustrate what is possible, acknowledging that new applications and platforms are emerging daily. Specific attention is provided to student centered applications as well as primary health care applications for practice based nursing professionals, focusing on advanced practice. The concept of harnessing the power of point of care information is not only exciting, but essential in this digital age. It is urgent that we understand how to adopt the use of these devices and to understand the barriers that we face. The power of what is possible with mobile technologies can be staggering; however taking the first step can be far less daunting. Normal 0 21 false false false FR-CA X-NONE X-NONE
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 | 0,015 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,015 |
| Communication savante | 0,019 | 0,034 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,018 |
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 ».