Emerging from the darkness and stepping into the light: Implementing an understanding of the experience of nurse addiction into nursing education
Notice bibliographique
Résumé
Abuse of drugs and alcohol occurs across all cultures, generations, and occupations, including nursing. Nurse addiction is a topic of serious concern that is often dismissed or ignored in the profession. Impaired nurses can become dysfunctional in their ability to provide safe, appropriate patient care. This qualitative study explored the lived experience of nurses who have been addicted to substances. Knowledge of this phenomenon may help guide nurses, nurse educators, and nursing students more accurately understand the reality of substance use disorder in the profession. In this qualitative study, 14 nurse addicts in recovery were interviewed about their experiences and risk perceptions. Analysis was conducted through coding, the identification of meanings and themes, and the use of qualitative research software. Five themes were identified from the study: (a) Fear was a significant part of the experience of being a nurse who was addicted; (b) Shame and guilt were felt by nurses who were addicted; (c) Poor coping: Addicted nurses reported having underdeveloped coping skills; (d) Control: Addicted nurses felt an increased need to control their environments; and (e) A core problem inherent in nurses who were addicted was a belief that addiction would never happen to them. Discussion of the five identified themes was followed by a discussion about addiction risk, prevention, and suggestions for application in nursing education. Participants discussed their experience with nurse addiction in their nursing education experiences and offered suggestions for more effective ways to teach the subject in nursing school. Implications for nursing education were then discussed, including using peer educators, namely, recovering nurse addicts, as teachers of this subject. Implications for nurses globally are presented. Finally, the overall theme identified was that addicted nurses often felt misunderstood and judged, and they desired to be accepted among others in the 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 | 0,030 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,020 | 0,040 |
| Communication savante | 0,013 | 0,020 |
| Science ouverte | 0,004 | 0,021 |
| Intégrité de la recherche | 0,005 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».