Research: Evidence-based Nursing Practice: How to Get There from Here
Notice bibliographique
Résumé
patients in preparation for surgery; as a public health nurse, I taught mothers to clean their infants’ umbilical cords with alcohol and showed patients newly diagnosed with diabetes how to wipe the skin with alcohol before injecting insulin. Since then, high-quality research has shown that pre-operative shaving increases rather than decreases post-operative infections (Kjonniksen et al. 2002), that cleaning umbilical cords with sterile water shortens the time to cord separation without increasing infections (Medves and O’Brien 1997) and that insulin can be safely injected through clothing (Fleming et al. 1997). These are only three of innumerable examples of how high-quality studies of nursing care can influence our practice. And while it is heartening to know that new evidence is constantly emerging to inform our nursing practice, it is disheartening to learn that many nurses continue to rely on the increasingly dated knowledge they acquired as nursing students (Estabrooks 1998). In this paper, I will describe how high-quality evidence fits into clinical decision-making in nursing practice, and I will call upon key professional groups, such as associations of nursing educators, executive nurses and national nursing organizations, to combine forces and create blue ribbon panels or task forces charged with making recommendations for changes in nursing education and practice that will advance us towards full development as an evidence-based profession.
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 | 0,056 | 0,216 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,004 |
| Bibliométrie | 0,014 | 0,013 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,012 | 0,020 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,013 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
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 ».