Exploration of note writing by mental health nurses using a video scenario
Notice bibliographique
Résumé
AIMS AND OBJECTIONS: We aimed to explore the content and language of nursing documentation and gain insight into the internal processes of nurses while notetaking. BACKGROUND: Documentation is a core competency of mental health nursing, has clinical and ethical importance and is the integral to the efficient and effective care provided to patients. However, issues related to the content and quality of nursing notes continues to be a concern and there remains gaps in our understanding about the internal processes that nurses engage in when writing notes. DESIGN: We used a mixed method design that included a content analysis with note review and interviews. METHODS: After watching a video, psychiatric nurses (n = 27) wrote a note and then were interviewed about their note taking process. We used the COREQ guidelines for reporting our data. RESULTS: Participants relied on four main themes when determining what to include in their notes-what happened and what the patient said or did, plus anything different than baseline, and safety concerns. Analyses revealed the presence of bias in the notetaking and participants were not familiar with effective strategies to mitigate these during the documentation process. Lastly, we found that notes are typically consistent in using some of the SOAPE format with notes focused on direct observations and the use of 'facts', while assessment and construction of treatment plans are used to a lesser extent. CONCLUSIONS: Our results provide insight into the decision-making process of nursing staff regarding their documentation practices: overall they appear unaware of the importance of their notes, and believe that capturing the facts about their patients is important, while devaluing their own input and interpretations. RELEVANCE TO CLINICAL PRACTICE: Our results provide evidence that mental health nurses may need additional training regarding documentation, more specifically about what to include, word choice and bias.
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 | 0,005 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».