Fuzzy cognitive mapping: An old tool with new uses in nursing research
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AIMS: Describe the implementation and uses of fuzzy cognitive mapping (FCM) as a constructive method for meeting the unique and rapidly evolving needs of nursing inquiry and practice. DESIGN: Discussion paper. DATA SOURCES: Drawing on published scholarship of cognitive mapping from the fields of ecological management, information technology, economics, organizational behaviour and health development, we consider how FCM can contribute to contemporary challenges and aspirations of nursing research. IMPLICATIONS FOR NURSING: Fuzzy cognitive mapping can generate theory, describe knowledge systems in comparable terms and inform questionnaire design and dialogue. It can help build participant-researcher partnerships, elevate marginalized voices and facilitate intercultural dialogue. As a relatively culturally safe and foundational approach in participatory research, we suggest that FCM should be used in settings of transcultural nursing, patient engagement, person- and family-centred care and research with marginalized populations. FCM is amenable to rigorous analysis and simultaneously allows for greater participation of stakeholders. CONCLUSION: In highly complex healthcare contexts, FCM can act as a common language for defining challenges and articulating solutions identified within the nursing discipline. IMPACT: There is a need to reconcile diverse sources of knowledge to meeting the needs of nursing inquiry. FCM can generate theory, describe knowledge systems, facilitate dialogue and support questionnaire design. In its capacity to engage multiple perspectives in defining problems and identifying solutions, FCM can contribute to advancing nursing research and 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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| 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 découle