Partners in research: building academic‐practice partnerships to educate and mentor advanced practice nurses
Notice bibliographique
Résumé
RATIONALE: Clinical practice is the primary focus of advanced practice nursing (APN) roles. However, with unprecedented needs for health care reform and quality improvement (QI), health care administrators are seeking new ways to utilize all dimensions of APN expertise, especially related to research and evidence-based practice. International studies reveal research as the most underdeveloped and underutilized aspect of these roles. AIMS: To improve patient care by strengthening the capacity of advanced practice nurses to integrate research and evidence-based practice activities into their day-to-day practice. METHODS: An academic-practice partnership was created among hospital-based advanced practice nurses, nurse administrators, and APN researchers to create an innovative approach to educate and mentor advanced practice nurses in conducting point-of-care research, QI, or evidence-based practice projects to improve patient, provider, and/or system outcomes. A practice-based research course was delivered to 2 cohorts of advanced practice nurses using a range of teaching strategies including 1-to-1 academic mentorship. All participants completed self-report surveys before and after course delivery. RESULTS: Through participation in this initiative, advanced practice nurses enhanced their knowledge, skills, and confidence in the design, implementation, and/or evaluation of research, QI, and evidence-based practice activities. CONCLUSION: Evaluation of this initiative provides evidence of the acceptability and feasibility of academic-practice partnerships to educate and mentor point-of-care providers on how to lead, implement, and integrate research, QI and evidence-based activities into their practices.
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 | 0,188 | 0,675 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,008 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,005 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».