Developing nurse preceptor competency domain guide tool: A Delphi study
Notice bibliographique
Résumé
Background and objective: One of the strategies used to prepare novice nurses for their professional journeys in clinical practice is by implementing the preceptorship teaching and learning model. Competencies such as knowledge, experience, abilities, and attributes need to be measured to ensure the desired outcomes of the preceptorship are achieved and consistent. This study aimed to develop a nurse preceptor competency domain guide tool at a tertiary hospital in Oman.Methods: Three-round Delphi iterative design with experts was used to develop the nurse preceptor competency domain guide tool. Following standard measures, eight expert opinions were combined until a group consensus was achieved. The level of consensus within the expert panel was defined as ≥ 75% scoring of items were selected as an essential required competency/item.Results: Eight experts from a main tertiary hospital were included in the panel. Five core competency domains and five subdomains were identified and considered to be relevant for nurse preceptors at the hospital with consensus levels varying from 75% to 100%. A total of 83 descriptive items were identified for the competency guide tool.Conclusions: This study found that the main core competency domains of the tool that nurse preceptors should acquire to be competent preceptors are inter-professional communication skills, appropriate teaching strategies, time management skills, building a learning atmosphere, and coaching critical thinking. This tool would improve nurse preceptors’ performance and equip them with the required prerequisite competencies to professionally start their journey in clinical practices. Follow-up research on tool implementation is highly recommended to evaluate its effectiveness.
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 | 0,005 | 0,009 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».