Reflections on fostering student nurse evidence-based practice competencies via integration of nursing best practice guidelines
Notice bibliographique
Résumé
Evidence-based nursing practice has been identified as an important nurse competency and standard of practice by nurse regulators and nurse educators in both the United States and Canada, yet little is known about the curricular strategies which foster development of evidence-based competencies in the undergraduate nursing context. Although there are several evidence-based practice models that are being used by nurses, much of the literature reflects evidence-based practice implementation strategies which are focused on nurses already in practice. It remains unclear how evidence-based practice competencies are being taught to undergraduate nursing students. In the Canadian context, the Registered Nurses’ Association of Ontario, promotes the implementation of Nursing Best Practice Guidelines as a viable strategy for implementing evidence-base nursing practice in both the clinical and academic contexts. Clinical and academic institutions that implement best practice guidelines and meet the outcome criteria of the Registered Nurses Association may be designated as a Best Practice Spotlight Organization. In this paper, two of the authors reflect on the curricular strategies they used to integrate Best Practice Guidelines into selected undergraduate nursing courses and the challenges and opportunities that this engendered as part of their university school of nursing’s journey to achieve designation as a Best Practice Spotlight Organization (Academic).
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 | 0,111 | 0,187 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,016 |
| Communication savante | 0,017 | 0,016 |
| Science ouverte | 0,005 | 0,012 |
| Intégrité de la recherche | 0,026 | 0,039 |
| 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 ».