MétaCan
Menu
Retour à la cohorte
Enregistrement W4309889984 · doi:10.1177/08404704221134533

Personal digital technology use among practicing Registered Nurses and Registered Practical Nurses

2022· article· en· W4309889984 sur OpenAlexaffabout
Lorie Donelle, Bradley Hiebert, Jodi Hall, Kathleen Ledoux, Sarah Ashfield

Notice bibliographique

RevueHealthcare Management Forum · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensFanshawe CollegeWestern University
Organismes subventionnairesnon disponible
Mots-clésHealth careNursingWork (physics)PsychologyMedicineMedical education

Résumé

récupéré en direct d'OpenAlex

Many clinicians are using their personal digital devices (such as smartphones) while at work for personal and professional purposes. The purpose of this research was to understand how Ontario nurses used their own digital devices within the workplace. Reported here are the findings from the on-line questionnaire of a mixed methods design. Participants (N = 169) had a mean age of 41 years, were mostly female, and with an average of 15.2 years of nursing experience. Most (73%) used their own device within the workplace for pragmatic reasons (telling time), patient care (accessing information, drug management, and administration), and communication among the healthcare team. This research offers emerging insight into how personally owned devices are being integrated into healthcare practices and highlighted tensions among workplace efficiency and enhanced team communication. This research supports the development of guidelines for personal device use within healthcare settings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,730
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0050,000
Communication savante0,0000,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,103
Tête enseignante GPT0,443
Écart entre enseignants0,341 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHealthcare Management ForumMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207