Retaining and Transferring Nursing Knowledge through a Hospital Internship Program
Notice bibliographique
Résumé
In healthcare, organizations recognize that human capital is their most valuable asset. The importance of investing in knowledge workers is imperative given the current and future shortage of health professionals. Knowledge acquisition occurs through continuous learning and the transfer of information from those who are highly experienced to those who are less qualified. At St. Michael's Hospital, two innovative and unique programs were created for the transfer of knowledge. The first was a nurse fellowship program that enabled experienced nurses to spend two to three months learning new skills to advance clinical practice. The second was a nurse internship program in which new graduates spend three to four months in their area of hire to enhance clinical practice through skill development and prioritization of patient care needs. This paper describes both programs and presents an evaluation of the new-graduate internship program as an opportunity for professional development and career enhancement For nurse interns, the program promotes self-esteem and professional confidence, improves job satisfaction and rewards nurses for their contribution. For nurse preceptors, the program provides job enrichment, experience in teaching and recognition by the organization and peers that they are knowledge experts. In healthcare, organizations have come to acknowledge that their most valuable asset is human capital, in particular, knowledge workers (Horibe 1999). Knowledge workers contribute a composite of information, intellectual property and experience (Horibe 1999), acquired by study, investigation, observation or practice (Webster's Dictionary 1989). Investing in knowledge workers is investing in the future. In this regard, organizations have implemented recruitment and retention strategies to attract, retain and advance the highest calibre of health professional. Knowledge workers contribute to an organization through their ideas, analyses of complex situations and sound judgment in decision-making (Horibe 1999). They further develop these skills over the course of their career through continuous learning. This paper will focus on the importance of investing in nurses as knowledge workers. In particular, given the shortage of nurses and the reality that 25% of today's nurses can retire over the next 10 years (CNA 2001), it is imperative that knowledge transfer occur from highly experienced to less experienced nurses.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».