Newborn’s body temperature regulation: a multi-method training program
Notice bibliographique
Résumé
Introduction: Newborns’ incapability to self-regulate their body temperature exposes them torisk of many complications. Therefore, proper initiations of nursing interventions are crucial for ensuring early stabilization after birth. The present study aimed to evaluate the impact of a multi-method training program on knowledge and practices in neonatal nurses. Methods: This quasi-experimental research was carried out with a pre-test–post-test and intervention-control groups design. The population consisted of 60 nurses working in the neonatal and neonatal intensive care unit (NICU) of two hospitals in Iran. The samples were selected using the convenience sampling technique. A researcher-made questionnaire was used. The validation and reliability of the questionnaire were confirmed. The nurses received a multi-method training for two weeks. They were evaluated three months later. Results: The mean knowledge score obtained in the pre-test was 30.33 ± 2.01, and it was47.73 ± 6.82 three months after the intervention. There was a statistically significant difference in the trend of changes in the scores of the two groups (F = 125.72, P < 0.001). The mean performance score in intervention group before the intervention was 60.63 ± 5.69 and after the intervention was 81.77 ± 6.37, indicating a significant difference in the trend of changes(F = 90.285, P < 0.001).The correlation between knowledge and practice was significant at the 0.01 level (r = 0.544,P = 0.002). The previous in-service training, individuals’ education, and thermoregulation knowledge were determined as predictors of performance (r = 0.651, P = 0.013). Conclusion: According to the results, a multi-method training program improves the nurses’ knowledge and performance in the infants’ body temperature regulation care.
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 | 0,041 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,007 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».