Nurse’s clinical skill utilisation: An opinion from public health institutions
Notice bibliographique
Résumé
Abstract Background Nurses are the backbone of health care systems worldwide. In India the assessment of existing knowledge of nursing workforce and the utilization of skills is not evaluated and properly used to ensure good quality in health care. Methods Using the Delphi technique a survey was developed and sent to nurses. Self- rating methods (on a likert scale) were used in order to operationalize the personal skills. Results Almost half (48%) of the participants have a Bachelor degree. Out of this 27.2% qualified for a higher education (e.g. Master in related subject). Most nurses (56% in sample were females) are permanent employed working as staff nurse or nursing officers in the public sector. Among the participants 20% have sufficient teaching experience between 1 to 3 years. Self-rating of skills was high in almost all topics. Conclusion Having attained higher education most of the participants remain working as staff nurses. The good self-rating of participants underlines their ability to take over much higher positions and responsibilities. Moreover, teaching experience is hardly acknowledged by institutions since teaching staff is usually recruited from outside. The study suggests that a majority of the population has an interest to work in rural area. Better work conditions are needed in order to gain workforce in this areas.
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 | 0,069 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,012 | 0,004 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,042 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,011 |
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 ».