Addressing gaps in quality and safety education during pre-licensure clinical rotations
Notice bibliographique
Résumé
United States national reports have called for improvement in healthcare professions education to better address patient care outcomes. In response, an initiative titled “Quality and Safety Education for Nurses (QSEN)” has been adopted by nursing programs across the nation, which describes the six main competencies to be included in nursing curricula. As early adopters of the QSEN competencies, the University of San Francisco nursing faculty promptly threaded the material throughout the 4-year Bachelor’s of Science in Nursing (BSN) curriculum. Confident that the topics were well covered in the classroom, we then sought to learn how often our students practiced these skills during their assigned clinical rotations. After completing an IRB-approved observational study of junior-level BSN students, we tallied the actual number of minutes spent in each competency area while assigned to the patient care unit. Using a time-on-task author developed QSEN-based tool, we found that our students spent little to no time engaged in quality improvement, evidence based practice, or informatics. This is a very important finding, as it indicates that our students may not be sufficiently developing these particular skills during assigned clinical hours. Weaving the six QSEN competencies throughout the curriculum is a good start, but as we saw in our observational study, all of the competencies are not equally demonstrated in the clinical setting. Continuing to provide QSEN enriched didactic courses, adding targeted simulation experiences, and nourishing academic/practice partnerships may help bridge the gaps.
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 | 0,023 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».