Diffusion of Innovations-Informed Knowledge Translation Strategy to Implement Optimal Safe Nursing Workforce Policy in Practice
Notice bibliographique
Résumé
AIM: This study aims to develop a free, limited-edition workshop as an effective knowledge translation strategy to enhance nurse leader-perceived self-efficacy for competence using Park’s Sweet Spot Theory and to evaluate its effectiveness over time. METHOD: This is a study showing the process of developing a study protocol and its details. RESULTS: A 2-day workshop was developed for innovators and early adopters among nurse leaders with a macro-level influence based on Rogers’s diffusion of innovations theory, which consists of an introduction of Park’s Sweet Spot Theory, hands-on experience, a summary session, and a presentation of a certificate of completion. The workshop will be held at the University of Alberta Faculty of Nursing, using the “enabling blends” mode. A hybrid design of comparative effectiveness research and analysis of change will be utilized to assess nurse leader-perceived self-efficacy. CONCLUSION: This protocol is significant as the first step in providing scientific rationales on how to effectively implement new knowledge—optimal safe nurse staffing levels derived from Park’s Sweet Spot Theory—into the right (safe yet efficient) nursing workforce policy-making to alleviate global nursing shortages. Cite this article as: Park, C. S., Lee, S., Kim, H., & Kabak, M. (2022). Diffusion of innovations-informed knowledge translation strategy to implement optimal safe nursing workforce policy in practice. Florence Nightingale Journal of Nursing, 30(1), 92-99.
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 | 0,036 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».