Nurses’ Use of Mobile Devices to Access Information in Health Care Environments in Australia: A Survey of Undergraduate Students
Notice bibliographique
Résumé
BACKGROUND: The growth of digital technology has created challenges for safe and appropriate use of mobile or portable devices during work-integrated learning (WIL) in health care environments. Personal and professional use of technology has outpaced the development of policy or codes of practice for guiding its use at the workplace. There is a perceived risk that portable devices may distract from provision of patient or client care if used by health professionals or students during employment or WIL. OBJECTIVE: This study aimed to identify differences in behavior of undergraduate nurses in accessing information, using a portable or mobile device, when undertaking WIL compared to other non-work situations. METHODS: A validated online survey was administered to students while on placement in a range of health care settings in two Australian states. RESULTS: There were 84 respondents, with 56% (n=47) reporting access to a mobile or portable device. Differences in use of a mobile device away from, compared with during WIL, were observed for non-work related activities such as messaging (P<.001), social networking (P<.001), shopping on the Internet (P=.01), conducting personal business online (P=.01), and checking or sending non-work related texts or emails to co-workers (P=.04). Study-related activities were conducted more regularly away from the workplace and included accessing University sites for information (P=.03) and checking or sending study-related text messages or emails to friends or co-workers (P=.01). Students continued to access nursing, medical, professional development, and study-related information away from the workplace. CONCLUSIONS: Undergraduate nurses limit their access to non-work or non-patient centered information while undertaking WIL. Work-related mobile learning is being undertaken, in situ, by the next generation of nurses who expect easy access to mobile or portable devices at the workplace, to ensure safe and competent care is delivered to their patients.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».