The forensic float nurse: A new concept in the effective management of service delivery in a forensic program
Notice bibliographique
Résumé
A major challenge faced by Forensic Program management teams is to balance their budgets due to the unpredictability of the forensic patient population, particularly in the context of managing staffing costs where the hospital is not the "gatekeeper" and does not have control over who is admitted and when. In forensic mental health, the justice system, either via the courts, or review boards, determines who is ordered for admission to hospital for assessment or treatment and rehabilitation. Hospitals have little, if any, recourse but to admit these mentally disordered offenders. This typically results in increased levels of staffing with concomitant overtime costs. The literature suggests that clustered float pool nurses develop enhanced relationships with staff and patients, thereby enabling them to attain specialized clinical expertise to treat specific patient populations, promoting safer, high quality care, and overall are more cost effective. Forensic nursing is recognized as a mental health subspecialty. The "Forensic Float Nurse" concept was piloted to provide readily available, highly adaptable, skilled forensic nurses to assist in times of unpredictably heavy workloads and/or unplanned staffing shortages. A significant reduction approaching 50% in overtime was achieved. Heuristic implications of this finding are presented.
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 | 0,014 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,018 |
| Communication savante | 0,009 | 0,014 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».