An analysis of documentation language and word choice among forensic mental health nurses
Notice bibliographique
Résumé
Documenting patient care is an important part of mental health services. The documentation is expected to be accurate, relevant, and informative for all future readers as it provides details about patients and the care they are receiving. Language can produce positive or negative emotions in individuals, and these emotions can influence their thoughts and actions. Considering this, nursing documentation can impact the future care of patients. In this study, our aim was to analyse the language and words nurses use when documenting about their patients. Through a qualitative review of notes transcribed by mental health nurses in a forensic setting (n = 55), we explored the adjectives and verbs used across a subsection of their documentation over a three-month period. More specifically, we identified the most common words used, looked for patterns in use, and examined the emotional weight - or valence - of word choice. Examination of valence scores of the adjectives and verbs in the notes indicates that while nurses describe their patients in a rather neutral manner overall, some words and phrases are ambiguous and/or repetitive, and have the potential to negatively influence the perceptions of the reader regarding the patient. Clinical implications of patient care are discussed in the context of bias management. Nurses need to consider how word choice is linked to negative prosody and the need to provide additional information to avoid ambiguity. Without such care, notes can be subject to misinterpretation by readers leading to undue labels, stigma, and bias.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».