The Canadian Landscape of Genetics and Genomics in Nursing: A Policy Document Analysis
Notice bibliographique
Résumé
BACKGROUND: Genetics and genomics (GG) are transforming approaches to healthcare in Canada and around the globe. Canadian nurses must be prepared to integrate GG in their practice, but modest research in this area suggests that Canadian nurses have limited GG competency. Countries that have integrated GG across nursing provided guidance to nurses about the practice implications of GG through regional nursing policy documents. These documents propelled action to integrate GG across nursing. Little is known about the GG content in the nursing policy document infrastructure in Canada. PURPOSE: This study aimed to examine the guidance for GG-informed nursing practice as provided by Canadian nursing organizations in official professional documents. METHODS: Qualitative document analysis was used. A hybrid inductive/deductive analysis approach was used to analyze findings within the diffusion of innovation theory framework. RESULTS: There is an overall lack of depth and breadth of Canadian nursing documents that include content related to GG. Of the (n = 37) documents analyzed, four themes were generated including (a) GG guidance in nursing education; (b) regulators' requirements for foundational GG knowledge, (c) Canadian Nurses Association (CNA) as an early catalyst to GG integration; and (d) early adopters in speciality practice. CONCLUSION: There are opportunities to enhance the guidance available to Canadian nurses for the application of GG, through documents of nursing professional associations, nursing education accreditation organizations, and regulatory bodies. Findings suggest oncology and perinatal nurses are the early adopters which is an important consideration in future strategies to implement GG into Canadian nursing.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».