The relationship between busyness and research utilization: it is about time
Notice bibliographique
Résumé
AIMS AND OBJECTIVES: To explore the concept of busyness in nursing and to understand the relationship between busyness and nurses' research utilization better. BACKGROUND: Lack of time and busyness are consistently reported as barriers to research utilization. Current literature fails to identify the dimensions of busyness and offers little insight into the relationship between busyness and nurses' research utilization. DESIGN/METHODS: We performed a secondary analysis of qualitative data and created a conceptual map of busyness in nursing. RESULTS: Our results suggested that busyness consists of physical and psychological dimensions. Interpersonal and environmental factors influenced both dimensions. Cultural and intrapersonal factors contributed to psychological elements. The effects of busyness reported included missed opportunities, compromised safety, emotional and physical strain, sacrifice of personal time, incomplete nursing care and the inability to find or use resources. CONCLUSIONS: Our beginning description of busyness contributes to a greater understanding of the relationship between busyness and research utilization. Our findings suggest that lack of time as a barrier to research utilization is more complex than depicted in the literature. Instead, the mental time and energy required to navigate complex environments and a culture of busyness more accurately reflect what may be meant by 'lack of time' as a barrier to research utilization. RELEVANCE TO CLINICAL PRACTICE: Future interventions aimed at increasing research utilization may be more effective if they focus on factors that contribute to a culture of busyness in nursing and address the mental time and energy required for nurses to use research in practice.
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 | 0,025 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».