Skills and Attributes Required by Clinical Nurse Specialists to Promote Evidence-Based Practice
Notice bibliographique
Résumé
PURPOSE/OBJECTIVES: The purposes of this article were to describe the challenges that clinical nurse specialists (CNS) face in their role and to examine how CNSs describe the skills and attributes that are needed to promote the use of evidence-based practice (EBP) in their workplaces. This article is based on findings from a dissertation regarding how CNSs promote EBP in a western Canadian province. DESIGN: A sequential explanatory participant selection mixed-methods design was used for this study. SETTING: The study took place in a western Canadian province that has a population of 1 million people, with 42.7% of the population residing in the 2 largest cities. SAMPLE: The sample was drawn from a provincial registered nurse database. The sample for the survey was 23, and for the interviews, there were 11 participants. METHODS: The telephone survey contained 113 questions grouped into several subcategories. SPSS 18 was used to analyze the survey data. The semistructured interviews were conducted face to face, transcribed, and reviewed for recurrent themes. Interpretive description was used to analyze the themes. FINDINGS: The major challenges faced by CNSs are role strain, lack of support and resources, and role ambiguity. The skills and attributes required to be a CNS are graduate preparation, clinical expertise, and people/communication skills. CONCLUSIONS: Clinical nurse specialists can improve patient outcomes by promoting EBP; to do so, they need to work in supportive contexts that give those in the CNS role a set of clear role expectations. IMPLICATIONS: There are challenges faced by CNSs in Canada, and there is a need to strengthen the CNS's role by standardizing the regulatory requirements at a national level.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,106 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,010 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».