MétaCan
Menu
Retour à la cohorte
Enregistrement W2570422657 · doi:10.19044/esj.2016.v12n36p56

Barriers to Practice of Rural and Remote Nursing in Canada

2016· article· en· W2570422657 sur OpenAlexaffabout
Steve Hunt, Elena Hunt

Notice bibliographique

RevueEuropean Scientific Journal ESJ · 2016
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGlobal Health Workforce Issues
Établissements canadiensLaurentian University
Organismes subventionnairesnon disponible
Mots-clésWorkforceNursingChecklistIncentiveRural areaScope of practiceHealth careMedicineMedical educationPsychologyPolitical science

Résumé

récupéré en direct d'OpenAlex

The delivery of rural and remote healthcare has been identified in the literature as a unique and complex working environment for Nursing practice. This Canadian setting integrative review looks at barriers associated with rural and remote nursing. Nine articles were retained after filtering over 200 articles extracted from 4 databases. Critical Appraisal Skills Programme Checklist (CASP) for qualitative research and Quality Assessment Tool for Quantitative Studies (QATQ) were used for assessment of a total sample of N=3402 participants. Four (4) main themes (barriers) were extracted: 1) Professional Isolation, 2) Competing Demands, 3) Lack of Sustainable Continuing Educational Initiatives and 4) Lack of Organizational Support. Following analysis of the demographic data, an emerging theme of an aging workforce was also seen as a potential future barrier to rural nursing practice. Future research is required in order for sufficient and appropriate action to be taken in addressing aforementioned barriers. Recommendations for nursing practice and policy in rural and remote areas revolve around exposing nursing students to rural / remote settings, incentives for new graduate students to practice in these areas, as well as support and educational initiatives encouraging practitioners to work to their full scope of 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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,044
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,082
Score d'incertitude au seuil0,280

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,044
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,014
Études des sciences et des technologies0,0040,002
Communication savante0,0050,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,027
Tête enseignante GPT0,390
Écart entre enseignants0,363 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

Citations10
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEuropean Scientific Journal ESJMême sujetGlobal Health Workforce IssuesTravaux en français237 207