New graduate nurses’ clinical competence: A mixed methods systematic review
Notice bibliographique
Résumé
AIM: To appraise and synthesize evidence of empirical studies reporting assessment of new graduate nurses' clinical competence in clinical settings. DESIGN: Mixed methods systematic review. DATA SOURCES: The search strategy included keywords relevant to: new graduate nurse; clinical competence; and competence assessment. The searched literature databases included CINAHL, MEDLINE, Embase, PsycINFO and Web of Science. The search was limited to full-text papers in English or French, published between 2010 -September 2019. REVIEW METHODS: Inclusion criteria were: 1) empirical studies; 2) detailed method and complete results sections; 3) competence assessment in clinical settings; and 4) new graduate nurses (≤24 months). Two independent reviewers screened eligible papers, extracted data and used the Mixed Methods Appraisal Tool framework for quality appraisal. Divergences were solved through discussion. RESULTS: About 42 papers were included in this review: quantitative (N = 31), qualitative (N = 7) and mixed methods (N = 4). Findings suggest that new graduate nurses exhibit a good or adequate level of competence. Longitudinal studies show a significant increase in competence from 0-6 months, but findings are inconsistent from 6-12 months. CONCLUSION: There are a multitude of quantitative tools available to measure clinical competence. This suggests a need for a review of their rigor. IMPACT: No recent reviews comprehensively synthesized the findings from new graduate nurses' clinical competence. This review has found that new graduate nurses' competence has been mostly assessed as good, despite the expectation that they should be more competent. Longitudinal studies did not always show a significant increase in competence. These findings can help nurse educators in providing more support to new graduate nurses throughout the transition period or design improved transition programme. This review also identified quantitative tools and qualitative methods that can be used for competence assessment.
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 | 0,083 | 0,229 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,015 | 0,009 |
| Bibliométrie | 0,025 | 0,018 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».