MétaCan
Menu
Retour à la cohorte
Enregistrement W3038074008 · doi:10.3928/00220124-20200611-08

Assessment of Continuing Education Needs Among Critical Care Nurses in Remote Québec, Canada

2020· article· en· W3038074008 sur OpenAlexafffundabout
Mélissa Gosselin, Annie Perron, Anaïs Lacasse

Notice bibliographique

RevueThe Journal of Continuing Education in Nursing · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueTrauma and Emergency Care Studies
Établissements canadiensUniversité du Québec en Abitibi-Témiscamingue
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésContinuing educationScale (ratio)NursingPsychologyMedicineMedical educationGeography

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: This study analyzed the needs of critical care nurses in remote regions of Québec regarding continuing education (CE). METHOD: A web-based cross-sectional survey was conducted between May and June 2018. RESULTS: A total of 78 nurses completed the survey and reported their CE needs were not being met. Only 21.9% of participants reported a satisfaction level ≥ 6 on a scale of 1 to 10 regarding the offering of CE activities in their region. The most common factors identified as barriers to participation in CE activities were working hours (68.2%), distance and travel time (68.2%), released time to attend CE activities (65.2%), costs of CE activities (57.6%), and financial support (51.5%). CONCLUSION: This study provides insights into CE needs among critical care nurses. Shortcomings could be addressed by increasing CE activities in remote regions as well as the proportion of critical care-specific CE activities. Moreover, time and expense coverage should be offered by employers. [J Contin Educ Nurs. 2020;51(7):322-330.].

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,545
Score d'incertitude au seuil0,928

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
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 recherche0,0000,000
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 Opus0,011
Tête enseignante GPT0,348
Écart entre enseignants0,337 · 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'étudeObservationnel
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

Citations7
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueThe Journal of Continuing Education in NursingMême sujetTrauma and Emergency Care StudiesTravaux en français237 207