Notice bibliographique
Résumé
Informatics competency adoption is a recognized issue across nursing roles in digital health practice settings. Further, it has been suggested that the health system's inability to reap the promised benefits of electronic health/patient records is, in part, a manifestation of inadequate development of informatics competency by chief nurse executives (CNEs) and other clinicians (Amendola 2008; Simpson 2013). This paper will focus on CNE informatics competency and nursing knowledge development as it pertains to the Big Data revolution. With the paper's aim of showing how CNEs armed with informatics competency can harness the full potential of Big Data offering new opportunities for nursing knowledge development in their clinical transformation roles as eHealth project sponsors. It is proposed that informatics-savvy CNEs are the new transformational leaders of the digital age who will have the advantage to successfully advocate for nurses in leading 21st-century health systems. Also, transformational CNEs armed with informatics competency will position nurses and the nursing profession to achieve its future vision, where nurses are perceived by patients and professionals alike as knowledge workers, providing the leadership essential for safe, quality care and demonstrating nursing's unique contributions to fiscal health through clinically relevant, evidence-based practices (McBride 2005b).
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 | 0,038 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,016 | 0,018 |
| Science ouverte | 0,002 | 0,014 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».