How Do Nursing Organizations Measure Up on Harm Reduction? An Environmental Scan
Notice bibliographique
Résumé
BACKGROUND: In the past five years, we have seen a rapid expansion of harm reduction approaches, programs, and policies in Canada. To keep up with the changing policy landscape, a number of Canadian researchers have undertaken projects that seek to analyze policy documents published by provincial and territorial governments. Building on this important body of work, we undertook a similar analysis using documents published by nursing organizations. PURPOSE: To present key findings and propose ways that nursing organizations can strengthen their position on harm reduction. METHODS: We conducted an environmental scan with a two-part analysis. To complete the first part, we used the 17 quality indicators. To complete the second part, we analyzed the documents for specific harm reduction interventions. RESULTS: A total of 39 documents were collected across 76 nursing organizations. The majority of the documents were press or public statements (n = 22), and the most frequently mentioned intervention was supervised injection services (n = 31). On average, documents met 5.6 quality indicators. Documents scored highest on indicator 12 (discuss low-threshold approaches to service provision) and lowest on indicator 3 (acknowledge that not all substance use is problematic). CONCLUSIONS: Six areas were identified to strengthen nursing organizations' position on harm reduction.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,051 | 0,182 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,022 | 0,040 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».