Process evaluation of appreciative inquiry to translate pain management evidence into pediatric nursing practice
Notice bibliographique
Résumé
BACKGROUND: Appreciative inquiry (AI) is an innovative knowledge translation (KT) intervention that is compatible with the Promoting Action on Research in Health Services (PARiHS) framework. This study explored the innovative use of AI as a theoretically based KT intervention applied to a clinical issue in an inpatient pediatric care setting. The implementation of AI was explored in terms of its acceptability, fidelity, and feasibility as a KT intervention in pain management. METHODS: A mixed-methods case study design was used. The case was a surgical unit in a pediatric academic-affiliated hospital. The sample consisted of nurses in leadership positions and staff nurses interested in the study. Data on the AI intervention implementation were collected by digitally recording the AI sessions, maintaining logs, and conducting individual semistructured interviews. Data were analysed using qualitative and quantitative content analyses and descriptive statistics. Findings were triangulated in the discussion. RESULTS: Three nurse leaders and nine staff members participated in the study. Participants were generally satisfied with the intervention, which consisted of four 3-hour, interactive AI sessions delivered over two weeks to promote change based on positive examples of pain management in the unit and staff implementation of an action plan. The AI sessions were delivered with high fidelity and 11 of 12 participants attended all four sessions, where they developed an action plan to enhance evidence-based pain assessment documentation. Participants labeled AI a 'refreshing approach to change' because it was positive, democratic, and built on existing practices. Several barriers affected their implementation of the action plan, including a context of change overload, logistics, busyness, and a lack of organised follow-up. CONCLUSIONS: Results of this case study supported the acceptability, fidelity, and feasibility of AI as a KT intervention in pain management. The AI intervention requires minor refinements (e.g., incorporating continued follow-up meetings) to enhance its clinical utility and sustainability. The implementation process and effectiveness of the modified AI intervention require evaluation in a larger multisite study.
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 | 0,164 | 0,230 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».