MétaCan
Menu
Retour à la cohorte
Enregistrement W2436496303 · doi:10.1111/jonm.12409

Factors influencing the effectiveness of audit and feedback: nurses' perceptions

2016· article· en· W2436496303 sur OpenAlexafffundabout
Venessa Christina, Kathryn Baldwin, Alain Biron, Jessica Emed, Karine Lepage

Notice bibliographique

RevueJournal of Nursing Management · 2016
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Sciences Research and Education
Établissements canadiensMcGill University Health CentreJewish General HospitalMcGill University
Organismes subventionnairesJewish General Hospital
Mots-clésAuditNursingPerceptionAccountabilityPsychologyQuality (philosophy)MedicineBusinessAccounting

Résumé

récupéré en direct d'OpenAlex

AIM: To explore the perceptions of nurses in an acute care setting on factors influencing the effectiveness of audit and feedback. BACKGROUND: Audit and feedback is widely used and recommended in nursing to promote evidence-based practice and to improve care quality. Yet the literature has shown a limited to modest effect at most. Audit and feedback will continue to be unreliable until we learn what influences its effectiveness. METHOD: A qualitative study was conducted using individual, semi-structured interviews with 14 registered nurses in an acute care teaching hospital in Montreal, Canada. RESULTS: Three themes were identified: the relevance of audit and feedback, particularly understanding the purpose of audit and feedback and the prioritisation of audit criteria; the audit and feedback process, including its timing and feedback characteristics; and individual factors, such as personality and perceived accountability. CONCLUSION: According to participants, they were likely to have a better response to audit and feedback when they perceived that it was relevant and that the process fitted their preferences. IMPLICATIONS FOR NURSING MANAGEMENT: This study benefits nursing leaders and managers involved in quality improvement by providing a better understanding of nurses' perceptions on how best to use audit and feedback as a strategy to promote evidence-based 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,357
Score d'incertitude au seuil0,354

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,115
Tête enseignante GPT0,483
Écart entre enseignants0,369 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2016
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Nursing ManagementMême sujetHealth Sciences Research and EducationTravaux en français237 207