Theoretical Perspectives of Occupational Health Nurses (OHN) career in Indonesia
Notice bibliographique
Résumé
Background: According to the Central Statistics Agency (BPS, 2020), the number of medium-large industries in 2019 in Indonesia 30,381. This number is followed by the growth in healthcare services, which is classified as the highest among 17 existing sectors (Databoks, 2020). These opportunities and challenges prove that from the OHN employment perspective, the prospects for the OHN professionals are very promising. In terms of education where nursing specialization in Indonesia is still very limited, the career of the OHN corporate nursing profession needs to be analyzed and explored.Purposes: This review aims to enhance the understanding of OH nurses' careers in an increasingly dynamic educational environment, provides comprehensive understanding of the world of work for OHN nurses, and offers future research direction.Method: The methods used was to review three career model Career Framework, Change Model by Kotter and comparing with the competency-based by Delphi Model and Quinn Model. The results of the analysis and exploration were applied with a review of the nursing education system by the Ministry of Health, the National Education System, Ministry of Higher Education (Ristekdikti), Development and Empowerment of Healthcare Human Recources (BPPSDM), OHN Career Guide Canada and several journals of the last five years, from 2016 to 2020.Result: The review shows there is significant relationship between nursing education career paths in Indonesia and the flow and structure recommended by the three models in general nursing career, not specifically in the OHN perspectives.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».