MétaCan
Menu
Retour à la cohorte
Enregistrement W1989341712 · doi:10.1111/jonm.12128

How can a social capital framework guide managers to develop positive nurse relationships and patient outcomes?

2013· article· en· W1989341712 sur OpenAlexaboutno aff
Anne Hofmeyer

Notice bibliographique

RevueJournal of Nursing Management · 2013
Typearticle
Langueen
DomaineHealth Professions
ThématiqueInterprofessional Education and Collaboration
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSocial capitalPsychologyQuality (philosophy)Cohesion (chemistry)Public relationsNursing managementIndividual capitalNursingEconomic capitalBusinessHuman capitalSociologyMedicinePolitical scienceEconomicsEconomic growth

Résumé

récupéré en direct d'OpenAlex

AIM: To examine how social capital could be a mediating factor through which managers' leadership positively influences relationships with nurses and quality patient outcomes. BACKGROUND: The relationship between leadership, what managers do and optimal outcomes for patients are well established. What is not yet clear is an understanding about specific mechanisms by which managers' leadership builds social capital to foster cohesive team relationships and quality patient outcomes. KEY ISSUES: Conceptual links are drawn between human capital and leadership styles of managers. Social capital is introduced and contextualized through exemplars from a Canadian study. Exemplars illustrate how the presence or absence of social capital influenced nurses' productivity to deliver quality patient care. CONCLUSIONS: Nurse researchers could use the Social Capital Framework (SCF) to examine the mediating role of social capital in relationships between managers and nurses. These findings could inform managers' strategies to foster positive networks and norms between nurses to deliver quality patient care. IMPLICATIONS FOR NURSING MANAGEMENT: Leadership that uses a framework of social capital will enhance team relationships between nurses. Enhanced cohesion will have a positive impact on patient outcomes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,648
Score d'incertitude au seuil0,666

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,408
Écart entre enseignants0,373 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Nursing ManagementMême sujetInterprofessional Education and CollaborationTravaux en français237 207