Preparing Nursing Contexts for Evidence‐Based Practice Implementation: Where Should We Go From Here?
Notice bibliographique
Résumé
BACKGROUND: Context is important to the adoption and sustainability of evidence-based practices (EBPs). Currently, most published implementation efforts address context in relation to one specific EBP or a bundle of related EBPs. Since EBP and implementation are ongoing and dynamic, more discussion is needed on preparing nursing contexts to be more conducive to implementation generally. AIM: To discuss the need to create contexts that are more adaptable to ongoing change due to the dynamic nature of EBPs and the ever-changing healthcare environment. METHODS: This paper builds on a collection of our previous work, as nursing implementation scientists representing the Canadian and American healthcare contexts, and a literature review of the implementation science, knowledge translation, and sustainability literatures from 2006 to 2019. RESULTS: We argue for a different way of thinking about the influence of context and implementation of EBPs. We contend that nursing contexts must be prepared to be more flexible and conducive to ongoing EBP implementation more generally. Contexts that embrace, facilitate, and have the capacity for change may be more likely to effectively de-implement ineffective interventions or implement and sustain new EBPs. We outline future directions to build a program of research on preparing the soil for implementation of EBPs, including building capacity among nurses, supporting organizations to embrace change, co-producing research evidence, and contributing to implementation science. LINKING EVIDENCE TO ACTION: Supporting contexts to adopt and sustain evidence in nursing practice is essential for bridging the evidence to practice gap and improving outcomes for patients, clinicians, and the health system. Moving forward, we need to develop a better understanding of how to create contexts that embrace change prior to the implementation of EBPs in order sustain improvements to patient and health system outcomes.
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 | 0,200 | 0,337 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,018 | 0,034 |
| Communication savante | 0,045 | 0,075 |
| Science ouverte | 0,009 | 0,030 |
| Intégrité de la recherche | 0,025 | 0,039 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 ».