Factors that predict evidence use by Australian perioperative nurses
Notice bibliographique
Résumé
Evidence-based practice has been demonstrated to positively impact patient outcomes; unfortunately, there are many factors that hinder the use of research evidence by healthcare clinicians. Our previous study reported a multisite survey assessing Australian perioperative nurses knowledge, practice, attitude, and perceived barriers to evidence use. This subsequent analysis used univariate and multivariate binary logistic regression with odds ratios (OR) and 95% confidence intervals (CI) to compare individual nurse and organisational characteristics with high evidence-based practice (EBP) use. Two individual nurse characteristics found to be related to EBP were postgraduate qualifications (OR 1.69, 95% CI 1.07–2.6, p=0.02) and previous research experience (OR 1.9, 95% CI 1.6–2.4, p=0.01). Organisational characteristics related to EBP included access to the internet (OR 2.04, 95% CI 1.3–3.0, p=0.001) and access to ongoing EBP education (OR 1.6, 95% CI 1.1–2.5, p=0.01). Previous research experience (OR 1.6, 95% CI 1.0–2.3, p=0.01) was the only independent predictor of EBP. Given our finding, we suggest that considerably greater effort be made to facilitate nurses involvement in research studies in the perioperative setting.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».