Practice Analysis: Adult-Gerontology Acute Care Nurse Practitioner and Clinical Nurse Specialist
Notice bibliographique
Résumé
BACKGROUND: Standards for advanced practice registered nurse (APRN) licensure in the United States require certification programs to analyze practice in order to document the knowledge and skills necessary for entry-level adult-gerontology acute care nurse practitioners (AGACNPs) and wellness-through-acute-care clinical nurse specialists (AGCNSs). The practice analysis done every 5 years by the AACN Certification Corporation provides research data for use in establishing test plans for certification of APRNs. OBJECTIVES: To describe the development of a survey to collect information on the current practice of AGACNPs and AGCNSs, and to compare the results from practitioners in the 2 roles. METHODS: In 2016, a task force of subject matter experts created a survey of the practice activities and competencies of AGACNPs and AGCNSs. Respondents rated activities and competencies according to their applicability and significance to APRN practice. The subject matter experts analyzed the ratings to determine which patient care problems, skills and procedures, and competencies would be included in the updated certification test plans. RESULTS: After analyzing the survey responses, subject matter experts retained 135 patient care problems, 45 skills and procedures, and all national competencies for AGACNPs and 123 patient care problems, 56 skills and procedures, and all national competencies for AGCNSs. Both roles involve several of the same patient care problems, skills and procedures, and competencies. CONCLUSIONS: Data from practice analysis surveys formed the basis for developing reliable and valid certification examinations for entry-level APRNs. The information from such studies of practice should inform practicing nurses and students, as well as educators, accreditors, legislators, and regulators, about the work of AGACNPs and AGCNSs.
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 | 0,001 | 0,010 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».