Central Trends in Nursing Informatics
Notice bibliographique
Résumé
In July 2014, Taipei, Taiwan, hosted the biennial International Congress on Nursing Informatics (NI2014), titled East Meets West: eSMART+. This inaugural event for the Asia Pacific geographic region was organized by Taiwan’s Nursing Informatics Association and International Medical Informatics AssociationNursing Informatics Special Interest Group (IMIA-NISIG). The Congress attracted more than 500 participants from 28 countries, including about 80 students. There were more than 300 presentations, panel presentations, student papers, and poster sessions. At a specially organized student event, members of the Nursing Informatics Students’ Working Group had the opportunity tomeet and seek consensus about trends seen in the presentations. This meeting was followed by a collaborative writing effort, inspired by a similar publication by students in health geography.1Our goal in this article is to highlight the central themes presented at the Congress from the perspective of student participants and to provide a historical reference of the current topics, methodologies, and vision that inform and advance current nursing informatics research. We explore the five topics of interest that we found at NI2014: (1) standardized terminologies, (2) big data, (3) patient activation, (4) nursing informatics education and competencies, and (5) mobile health. To recognize some recent methodological trends in nursing informatics, we also present a methodological highlight regarding triangulation in health information technology.
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 | 0,008 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,012 | 0,018 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 0,014 |
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 ».