Wisdom within: unlocking the potential of big data for nursing regulators
Notice bibliographique
Résumé
AIM: This paper explores the potential for incorporating big data in nursing regulators' decision-making and policy development. Big data, commonly described as the extensive volume of information that individuals and agencies generate daily, is a concept familiar to the business community but is only beginning to be explored by the public sector. BACKGROUND: Using insights gained from a recent research project, the College and Association of Registered Nurses of Alberta, in Canada is creating an organizational culture of data-driven decision-making throughout its regulatory and professional functions. The goal is to enable the organization to respond quickly and profoundly to nursing issues in a rapidly changing healthcare environment. SOURCES OF EVIDENCE: The evidence includes a review of the Learning from Experience: Improving the Process of Internationally Educated Nurses' Applications for Registration (LFE) research project (2011-2016), combined with a literature review on data-driven decision-making within nursing and healthcare settings, and the incorporation of big data in the private and public sectors, primarily in North America. DISCUSSION: This paper discusses experience and, more broadly, how data can enhance the rigour and integrity of nursing and health policy. CONCLUSION: Nursing regulatory bodies have access to extensive data, and the opportunity to use these data to inform decision-making and policy development by investing in how it is captured, analysed and incorporated into decision-making processes. IMPLICATIONS FOR NURSING AND HEALTH POLICY: Understanding and using big data is a critical part of developing relevant, sound and credible policy. Rigorous collection and analysis of big data supports the integrity of the evidence used by nurse regulators in developing nursing and health policy.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».