Mentoring as a Knowledge Translation Intervention to Inform Clinical Practice: A Multi-Methods Study
Notice bibliographique
Résumé
Background: Mentoring is an intervention for implementing evidence into practice, but little is known about this intervention. The overall aim of this dissertation was to examine mentoring as a knowledge translation (KT) intervention to inform clinical practice. Methods: 1) A systematic review was used to determine the effectiveness of mentoring as a KT intervention. 2) An interpretive descriptive qualitative study was conducted to explore the use of mentoring in the Registered Nurses' Association of Ontario’s Best Practice Guidelines Implementation/ Knowledge Transfer Fellowship program. Findings: 1) Of 10,669 citations from 1988 to 2012, 10 studies were eligible. Findings showed that mentoring alone (n = 1 study) improved one behavioral outcome. When mentoring was used as part of a multi-faceted intervention (n = 9), there were various effects on knowledge, beliefs/attitudes, use of research evidence in clinical practice, and the impacts on healthcare professionals, patients and organizations. 2) Qualitative interviews with 6 fellows, 8 mentors and 4 program leaders revealed that mentoring involved building relationships, establishing a learning plan, and using teaching and learning activities. Mentors were described as accessible, dedicated, and having expertise; fellows were described as dedicated, self-directed, and having mixed levels of expertise. Mentoring was described as positively impacting upon mentoring relationships, fellows, mentors, and organizations. Participants reported no negative outcomes. Conclusion: Mentoring was used as a KT intervention to support the implementation of evidence into clinical practice. The systematic review and qualitative study findings informed the Mentoring for Guideline Implementation model. Mentoring involved mentees selecting more experienced mentors who provided individualized support based on mentees’ learning needs, which resulted in mutual benefits for mentees and mentors. Future research is required to validate this new mentoring model, develop an instrument to measure the mentor-mentee relationship, and evaluate the effectiveness of mentoring as a KT intervention for guideline implementation in nursing.
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 | 0,021 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».