Collaboration, culture and communication: Preparing the next generation to provide rural primary health care
Notice bibliographique
Résumé
Background and objective: In an ever-changing landscape of health care needs and demands, the ability to provide care for rural communities is often overwhelming. Rural health care in a new decade demands targeted programs to improve recruitment, training, and sustained employment of primary care providers. This project served to address rural primary healthcare needs by the development of a project model to recruit, train, educate and evaluate Advanced Practice Registered Nurse students (APRN) students who were rigorously selected for a rural traineeship and practiced in rural counties. The evaluation of preceptors was also done to assist in retention and increased numbers of rural preceptors and clinical sites. This program was designed collaboratively and implemented with rural community partners and rural healthcare leaders.Methods: Graduate nursing students completed both a paper application and in person interviews to be selected for a rigorous 16-week clinical traineeship in the rural communities. Qualitative data were collected during interview and feedback sessions during their traineeship. Quantitative Data were collected on Process and Outcome Measures focused on learning objectives during their rural traineeship. These data were analyzed and evaluated to measure the effectiveness of program goals, outcomes, and sustainability of the program. Results and conclusions: The results support the structured process for selecting graduate students and with an innovative program design focused on rural culture and accessing resources for patients in these same rural areas. Both students and preceptors had improved performance and satisfaction over time. The results provide a road map to recreate programs with high clinical impact and increasing numbers of rural healthcare providers. Current follow-up data with APRN post program completion demonstrated increase in employment within rural areas post-graduation.
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 | 0,009 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».