MétaCan
Menu
Retour à la cohorte
Enregistrement W2810797144 · doi:10.5430/jnep.v8n11p47

Pediatric vision screening: The Colorado school nurse experience

2018· article· en· W2810797144 sur OpenAlexvenueno aff
Rebecca Braverman

Notice bibliographique

RevueJournal of Nursing Education and Practice · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueOphthalmology and Visual Health Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNursingOptometryMedicineScreening testPerspective (graphical)Medical screeningSchool nursePsychologyMedical educationFamily medicineComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Colorado schools are required by law to perform vision screening. The aim of the study was to elucidate the vision screening process from the school nurse perspective. An electronic questionnaire distributed to Colorado school nurses, and developed by the author, was used to query Colorado nurses about the logistical challenges they face when performing vision screening. Common challenges faced when performing vision screening included: inadequate staff to perform vision screening, inadequate space to complete testing, uncooperative students, and poor parental compliance with referrals for further evaluation after their child failed their vision screen. Most nurses do not use instrument-based screening. Many nurses did not properly occlude the eyes when performing monocular visual acuity testing, which may lead to false negative screening results. The results of the questionnaire suggest there are opportunities to improve the vision screening process by nurses in Colorado schools.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,611
Score d'incertitude au seuil0,424

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,250
Tête enseignante GPT0,626
Écart entre enseignants0,376 · 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 tête enseignante, pas un consensus.

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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Nursing Education and PracticeMême sujetOphthalmology and Visual Health ResearchTravaux en français237 207