Sociocultural Factors Influencing Incident Reporting Among Physicians and Nurses: Understanding Frames Underlying Self- and Peer-Reporting Practices
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: Voluntary reporting of incidents is a common approach for improving patient safety. Reporting behaviors may vary because of different frames within and across professions, where frames are templates that individuals hold and that guide interpretation of events. Our objectives were to investigate frames of physicians and nurses who report into a voluntary incident reporting system as well as to understand enablers and inhibitors of self-reporting and peer reporting. METHODS: This is a qualitative case study-confidential in-depth interviews with physicians and nurses in General Internal Medicine in a Canadian tertiary care hospital. RESULTS: Frames that health care practitioners use in their reporting practices serve as enablers and inhibitors for self-reporting and peer reporting. Frames that inhibit reporting are shared by physicians and nurses, such as the fear of blame frame regarding self-reporting and the tattletale frame regarding peer reporting. These frames are underpinned by a focus on the individual, despite the organizational message of reporting for learning. A learning frame is an enabler to incident reporting. Viewing the objective of voluntary incident reporting as learning allows practitioners to depersonalize incident reporting. The focus becomes preventing recurrence and not the individual reporting or reported on. CONCLUSIONS: Physicians and nurses use various frames that bound their views of self and peer incident reporting-further progress should incorporate an understanding of these deep-seated views and beliefs.
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.
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 | 0,004 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle