Factors Influencing New RNs’ Supervisory Performance in Long-Term Care Facilities
Notice bibliographique
Résumé
RÉSUMÉ Dans les établissements de soins de longue durée (ÉSLD), les infirmières autorisées (IAs) exercent à la fois des fonctions cliniques et de supervision en tant que membres d’une équipe visant à dispenser des soins de grande qualité aux résidents. Les résidents sont affectés par plusieurs comorbidités et leurs besoins en matière de soins sont complexes. Malheureusement, les infirmières nouvellement agréées ne reçoivent que peu de formation en gérontologie et leur expérience de supervision est minimale, ce qui entraîne de faibles taux de rétention et affecte les résultats chez les patients. Cette étude qualitative a exploré les facteurs influençant l’expérience de supervision des nouvelles IA en ÉSLD à porter d’un échantillon de 24 participants en Ontario (Canada). Les données ont été recueillies par la voie d’entrevues individuelles, et une analyse de contenu directe fut réalisée. Trois niveaux d’influence ont été identifiés : influences personnelles, influences organisationnelles et influences externes. Chacun des niveaux présentait des sous-éléments qui décrivaient plus précisément les facteurs ayant de l’impact sur la performance de la nouvelle IA en supervision. La rétention des nouvelles IA en ÉSLD nécessiterait la mise en place d’une formation additionnelle en gérontologie et d’un processus de mentorat par ces organisations, afin d’assurer le développement de leurs rôles de supervision.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».