African Nova Scotian Grit: A Scholarly Personal Narrative About Nursing Leadership
Notice bibliographique
Résumé
As an African Nova Scotian (ANS) woman, registered nurse, full-time doctoral candidate and activist, I have decided to share key moments from my experience navigating academia. I discuss how being an ANS woman is significant to this journey as well as the ways in which anti-Black racism reinforces the underrepresentation of Black folks in nursing. The purpose of this scholarly personal narrative (SPN) is to generate meaning from my journey to becoming a nurse leader. The guiding question for this work is: What is the experience of an ANS woman in becoming a nurse leader? Guided by Narrative Inquiry and Black feminist theory, my SPN uses the Ten Tentative Guidelines for Writing SPNs offered by Nash (2004). This unconventional approach to research situates stories as the fundamental unit of measurement which emphasizes the significance and meaning of our lives. The iterative approach to this reflective exercise produced two key overarching themes, namely: Developing Personal and Professional Identity, and Potential vs. Power. Each theme contains additional subthemes that capture salient elements of my journey to nursing leadership. This SPN has implications for both education and the nursing profession. For education, this work offers insight to address institutional barriers that perpetuate anti-Black racism. Improving program access for Black students, providing adequate resources to facilitate success and ensuring the representation of Black students, staff and faculty throughout institutions are vital. Likewise, similar insights apply to nursing in the areas of practice, education, research and policy. Specifically, addressing issues of representation and visibility, to foster inclusivity, within the profession is essential.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».