MétaCan
Menu
Retour à la cohorte
Enregistrement W2137457631 · doi:10.1111/j.1365-2934.2006.00638.x

Challenges for new nurses in evidence-based practice

2006· review· en· W2137457631 sur OpenAlexaff
Linda M. Ferguson, Rene Day

Notice bibliographique

RevueJournal of Nursing Management · 2006
Typereview
Langueen
DomaineHealth Professions
ThématiqueHealth Sciences Research and Education
Établissements canadiensUniversity of AlbertaUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésNursing practiceNursingEvidence-based practiceClinical PracticeKey (lock)Process (computing)Advanced Practice NursesMedicineMEDLINEPsychologyEngineering ethicsHealth careAlternative medicinePolitical scienceComputer science

Résumé

récupéré en direct d'OpenAlex

AIM: The purpose of this article was to examine issues that new nurses encounter as they enter nursing practice, particularly in an evidence-based practice environment. BACKGROUND: These issues are not new. In part, these issues arise from our failure to acknowledge the developmental issues that new nurses experience on entry to practice and the lack of role models in evidence-based practice and holistic care. EVALUATION: This article synthesizes research reported over the last decade to delineate the issues of transition to practice and strategies that have proven effective in addressing them. KEY ISSUES: The key issues relate to the need to support new nurses in evidence-based and holistic practice, the strategies needed to do so, and the nurse manager's role in this process. CONCLUSIONS: We must invest resources in assisting new nurses into practice, which may have benefits in terms of both recruitment and retention of new nurses in practice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,808
Score d'incertitude au seuil0,769

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,675
Tête enseignante GPT0,666
Écart entre enseignants0,009 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations90
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Nursing ManagementMême sujetHealth Sciences Research and EducationTravaux en français237 207