Academic success: Which factors contribute signify- cantly to NCLEX-RN success for ASDN students?
Notice bibliographique
Résumé
Background: Accelerated Second Degree Nursing (ASDN) programs have become a vital means of addressing the nursing shortage resulting in a sharp increase in the number of these programs. In 2009, there were 230 accelerated programs and 33 in formal planning stages. Yet there has been little research to understand the predictive value of key components of these nursing programs for academic achievement as demonstrated by NCLEX-RN success. The purpose of this study was to determine the most significant factors and predictive value of these factors as they relate to student success on NCLEX-RN in an ASDN program. Methods: A retrospective predictive correlational design was employed to examine relationships between performance in pre-nursing and nursing courses as well as standardized tests for 363 ASDN students and NCLEX-RN success. A significance level of 0.05 was maintained for the analyses in this study. Results: The research results showed a high correlation with the first Medical/Surgical course as well as the pre-nursing course, Pathophysiology and offers new insight that is important in early identification of ASDN students who may or may not be successful on NCLEX-RN. More importantly, it sheds light on the factors, such as specific nursing courses, that best prepare ASDN students for RN-NCLEX success. Conclusion: The research results offer new insight that is important in early identification of ASDN students who may not be successful on NCLEX-RN. More importantly, it sheds light on the factors, such as specific nursing courses, that best prepare ASDN students for NCLEX-RN success.
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 | 0,001 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».