Supporting Evidence-Based Practice for Nurses through Information Technologies
Notice bibliographique
Résumé
PURPOSE: To evaluate the usability of mobile information terminals, such as personal digital assistants (PDAs) or Tablet personal computers, to improve access to information resources for nurses and to explore the relationship between PDA or Tablet-supported information resources and outcomes. BACKGROUND: The authors evaluated an initiative of the Nursing Secretariat, Ontario Ministry of Health and Long-Term Care, which provided nurses with PDAs and Tablet PCs, to enable Internet access to information resources. Nurses had access to drug and medical reference information, best practice guidelines (BPGs), and to abstracts of recent research studies. METHOD: The authors took place over a 12-month period. Diffusion of Innovation theory and the Promoting Action on Research Implementation in Health Services (PARIHS) model guided the selection of variables for study. A longitudinal design involving questionnaires was used to evaluate the impact of the mobile technologies on barriers to research utilization, perceived quality of care, and on nurses' job satisfaction. The setting was 29 acute care, long-term care, home care, and correctional organizations in Ontario, Canada. The sample consisted of 488 frontline-nurses. RESULTS: Nurses most frequently consulted drug and medical reference information, Google, and Nursing PLUS. Overall, nurses were most satisfied with the Registered Nurses Association of Ontario (RNAO) BPGs and rated the RNAO BPGs as the easiest resource to use. Among the PDA and Tablet users, there was a significant improvement in research awareness/values, and in communication of research. There was also, for the PDA users only, a significant improvement over time in perceived quality of care and job satisfaction, but primarily in long-term care settings. IMPLICATIONS: It is feasible to provide nurses with access to evidence-based practice resources via mobile information technologies to reduce the barriers to research utilization.
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 | 0,197 | 0,493 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,013 | 0,012 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,019 | 0,011 |
| Science ouverte | 0,008 | 0,009 |
| Intégrité de la recherche | 0,009 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».