Competence and confidence in rural and remote nursing practice: A structural equation modelling analysis of national data
Notice bibliographique
Résumé
AIMS AND OBJECTIVES: To empirically test a conceptual model of confidence and competence in rural and remote nursing practice. BACKGROUND: The levels of competence and confidence of nurses practising in rural settings have been highlighted as essential to the quality of health outcomes for rural peoples. However, there is limited research exploring these constructs in the context of rural/remote nursing practice. DESIGN: Structural equation modelling was used to verify the conceptual model with data from the cross-sectional pan-Canadian Nursing Practice in Rural and Remote Canada II Survey. The STROBE guidelines for cross-sectional research were followed in the design/reporting of this analysis. The sample consisted of 2,065 registered nurses and nurse practitioners who were working in direct rural/remote nursing practice. RESULTS: = 0.0822, df = 2, p = 0.959 indicated model fit, with final model estimates explaining 53% of the variance in work confidence and 17% of the variance in work competence. The model also accounted for 40% of the variance in work engagement, 39% of the variance in burnout and 15% of the variance in perceived stress. The complexity of competence and confidence in rural nursing practice was evident, being influenced by nursing experience in rural settings, rural work environment characteristics, community factors and indicators of professional well-being. CONCLUSIONS: The factors influencing nurses' competence and confidence in rural/remote nursing practice are more complex than previously understood. Our model, created and tested using structural equation modelling, merits further research, to extend our understanding of how nurses can be prepared and supported for practice in rural and remote settings. RELEVANCE TO CLINICAL PRACTICE: This study highlights the importance of supporting new nurses' exposure to rural nursing experiences, reducing professional isolation and improving decision-making support for those who are working at a greater distance from colleagues and/or those with fewer opportunities for interprofessional collaboration.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».