Nursing Education Challenges from Saudi Nurse Educators’ and Leaders’ Perspectives: A Qualitative Descriptive Study
Notice bibliographique
Résumé
Aim To explore the challenges in nursing education in Saudi Arabia from nurse educators' and leaders' perspectives. Background Saudi Arabia considerably lacks Saudi nurses and most nurses in Saudi healthcare facilities are expatriates with diverse academic, cultural, and linguistic backgrounds. The perception regarding nurses' profession and their low status in Saudi Arabia affect the nursing profession negatively, leading to staff insufficiency. Understanding the difficulties of the nursing profession could help intervene accordingly, in encouraging students to pursue a career in nursing. Methods An exploratory qualitative method was used. Three Saudi nursing educators and four leaders were interviewed. They were recruited through purposive sampling. The interviews were transcribed verbatim and data were analyzed using thematic analysis. Findings Participants indicated that nursing education in Saudi Arabia is facing multiple challenges requiring serious attention from Saudi leaders. The challenges were divided to four themes and different categories; cultural challenges, educational challenges, organizational challenges (weak nursing authority, lack of acknowledgement for Saudi nurses), and work challenges (poor working environment, language barrier). Discussion The challenges that face nursing education in Saudi Arabia were mainly at three levels: management, system, and social. These challenges were the reasons for Saudi nurses to leave the profession. Conclusion This study revealed some of the challenges facing nursing education in Saudi Arabia. These challenges are not unique to Saudi Arabia but knowing about these challenges will help nurse educators and leaders to improve nursing programs, enhance students' clinical experiences, and promote nursing profession in Saudi Arabia.
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 | 0,003 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 ».