Educational barriers of nurses caring for sick and at‐risk infants in <scp>I</scp>ndia
Notice bibliographique
Résumé
AIM: To gain ideas and information from healthcare providers to optimize the education and clinical practices of nurses caring for sick or at-risk newborns in India. BACKGROUND: Improving infant survival has been identified as a Millennium Development Goals; however, India still faces many challenges with 3.1 million neonatal deaths and 2.6 million stillbirths annually. Skilled nursing care has been associated with decreased morbidity and mortality in newborns. However, core competencies in newborn care education and training are lacking for nurses. METHODS: Qualitative data were collected from 12 focus groups with 101 newborn care providers from three areas of India as well as from a 2-day stakeholders' meeting. Data analysis was undertaken using descriptive and thematic content analysis. RESULTS: Perceived challenges included limited manpower and high nurse turnover, lack of access to evidence-based orientation to newborn care and problems with access to appropriate learner-based, neonatal training. Relevant, ongoing education opportunities, led by nursing leaders were identified to be important solutions. CONCLUSION: Findings provide insight into the current healthcare system in India with specific reference to the nursing care of at-risk newborns. There is a lack of existing resources to provide standardized and specific orientation curricula for nurses. IMPLICATIONS FOR NURSING AND HEALTH POLICY: Policy makers in health and education need to: support and enact learner-based orientation and continuing educational opportunities as well as ongoing competency-based education programmes; encourage nurse leader involvement and support; and provide sustainable system-related supports. Nurses and other health providers need to work together to influence government policy.
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 | 0,000 | 0,002 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».