Health Literacy and Nurses’ Communication With Type 2 Diabetes Patients in Primary Care Settings
Notice bibliographique
Résumé
BACKGROUND: The use of the interactive communication loop has been recommended as an effective method to enhance patient understanding and recall of information. OBJECTIVE: The aim of the study was to examine the application of interactive communication loops, use of jargon, and the impact of health literacy (HL) when nurses provide education and counseling to patients with type 2 diabetes in the primary care setting in Alberta, Canada. METHODS: Encounters between nurses and patients with type 2 diabetes were audio recorded, and a patient survey including a HL measure was administered. Topics within each interaction were coded based on five key components of the communication loop and categories of jargon. RESULTS: Nine nurses participated in this study, and encounters with 36 patients were recorded. A complete communication loop was noted in only 11% of the encounters. Clarifying health information was the most commonly applied component (58% often used), followed by repeating health information (33% often used). Checking for understanding was the least applied (81% never used), followed by asking for understanding (42% never used). Medical jargon and mismatched language were often used in 17% and 25% of the encounters, respectively. Patients' HL did not materially affect patterns of communication in terms of using communication loops; however, nurses used less jargon and mismatched words with patients with inadequate HL. DISCUSSION: The overuse of medical jargon accompanied with underuse of communication loop components jeopardizes patients' comprehension and retention of information that they need to know to properly self-manage their diabetes. Nurses need to develop more effective ways to communicate concepts critical to chronic diabetes self-care education and management.
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 | 0,002 | 0,017 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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.
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 ».