MétaCan
Menu
Retour à la cohorte
Enregistrement W2980627072 · doi:10.12927/cjnl.2019.25965

Emerging Professionals’ Observations of Opportunities and Challenges in Nursing Informatics

2019· article· en· W2980627072 sur OpenAlexaffvenue
Laura‐Maria Peltonen, Raji Nibber, Adrienne Lewis, Lorraine J. Block, Lisiane Pruinelli, Maxim Topaz, Erika Lozada‐Perezmitre, Charlene Ronquillo

Notice bibliographique

RevueNursing leadership · 2019
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensAssembly of First NationsFraser HealthToronto Metropolitan UniversityUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésHealth informaticsInformaticsHealth Administration InformaticsNursingVisibilityNursing researchNurse educationMedical educationMedicinePolitical sciencePublic healthGeography

Résumé

récupéré en direct d'OpenAlex

The importance of nursing informatics (NI) is highlighted because of changing healthcare landscapes in response to rising digital health and technology integration and use. However, NI education, competency requirements and roles are not standardized across the world, and the potential of NI is modestly understood internationally. This paper explores opportunities and challenges in NI discussed in a panel at the 14th International Congress on Nursing and Allied Health Informatics. The panel was organized by the International Medical Informatics Association's - Nursing Informatics Working Group's Student and Emerging Professionals group. Discussions during the panel session were synthesized and analyzed using content analysis. Results indicate that challenges in NI education, career opportunities and roles continue to exist across healthcare settings and regions. Findings suggest that the following issues need attention: (1) collaboration to build stronger infrastructure to guide NI education, research and practice; (2) improved visibility and appreciation of NI; and (3) greater dissemination of evidence of NI in various health settings. This paper offers recommendations for nurse leaders on strategies to address these issues in NI at the local, regional and global levels.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,285
Score d'incertitude au seuil0,674

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
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 recherche0,0000,001
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 Opus0,650
Tête enseignante GPT0,465
Écart entre enseignants0,185 · 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'étudeQualitatif
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

Citations22
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNursing leadershipMême sujetElectronic Health Records SystemsTravaux en français237 207