Applying for a doctorate in nursing? Things you should avoid from getting your application rejected
Notice bibliographique
Résumé
Applying for a doctorate in nursing? Things you should avoid from getting your application rejectedDoctorally prepared nurse scientists play an essential role in creating disciplinary nursing knowledge, developing innovative and patient-centred interventions, and translating nursing knowledge into practice to improve the standards of nursing care (Broome & Fairman, 2018;Younas & Porr, 2019).Concerns have been raised that existing experienced nurse scientists are at the age of retirement, and there is global shortage of nurses in doctoral programmes (Buerhaus, Skinner, Auerbach, & Staiger, 2017;McSweeney, Weglicki, & García, 2018).There have been calls to action to promote the entry of nurses into doctoral programmes (Broome & Fairman, 2018;McSweeney et al., 2018).However, nurses noted barriers such as time, money, work-life balance, family commitments and lack of motivation to pursue doctoral education (Cavanagh & Alshehry, 2016;Gorczyca, 2013;Squires, Kovner, Faridaben, & Chyun, 2014).Amongst these barriers, one of the common barriers is limited knowledge about the application process, limited confidence in preparing a high-quality graduate application and fear of rejection (Gorczyca, 2013).We aim to highlight six factors that may negatively affect nurses' confidence to prepare excellent doctoral applications and lead to rejection.
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 | 0,007 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,006 |
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 ».