Mentorship in nursing academia: a systematic review protocol
Notice bibliographique
Résumé
BACKGROUND: Mentorship is perceived as vital to attracting, training, and retaining nursing faculty members and to maintaining high-quality education programs. While there is emerging evidence to support the value of mentorship in academic medicine, the extant state of the evidence for mentorship in nursing academia has not been established. We describe a protocol for a mixed-methods systematic review to critically appraise the evidence for mentorship in nursing academia. METHODS: Studies examining the effectiveness of mentorship interventions with nursing faculty who teach in registered nursing education programs will be included. Mentee, mentor, and nursing education institutional outcomes will be explored. Quantitative, qualitative, and mixed method studies will be eligible for inclusion, without restrictions on publication status, year of publication, or language. We will search electronic databases (for example, MEDLINE, CINAHL, ERIC) and gray literature (for example, conference proceedings, key journals, relevant organizational websites) for relevant citations. Using pilot-tested screening and data extraction forms, two reviewers will independently review the studies in three steps: (1) abstract/title screening, (2) full-text screening of accepted studies, and (3) data extraction of accepted studies. Studies will be aggregated for meta-synthesis (qualitative) and meta-analysis (quantitative), should the data permit. DISCUSSION: This study is the first systematic review of existing global evidence for mentorship in nursing academia. It will help identify key evidence gaps and inform the development and implementation of mentorship interventions. The mentorship outcomes that result from this review could be used to guide the practice of mentorship to increase positive outcomes for nursing faculty and the students they teach and ultimately effect improvements for the patients they care for. This review will also identify key considerations for future research on mentorship in nursing academia and the enhancement of nursing science.
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 | 0,167 | 0,136 |
| Méta-épidémiologie (sens strict) | 0,007 | 0,008 |
| Méta-épidémiologie (sens large) | 0,019 | 0,015 |
| Bibliométrie | 0,020 | 0,019 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,009 | 0,010 |
| Science ouverte | 0,007 | 0,007 |
| Intégrité de la recherche | 0,010 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,078 | 0,016 |
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 ».