Strategies for success that led to 99.98% school of nursing retention
Notice bibliographique
Résumé
Internationally, every year, thousands of students begin their journey in higher education by enrolling in pre-licensure and advanced nursing programs. However, not all students successfully complete their degrees to fruition. According to the National League for Nursing (NLN), the average national dropout rate for nursing programs in the United States is 20%-25%; this high attrition rate is considered problematic. The purpose of this presentation is to present the successes of a School of Nursing within Mississippi that has led to a 0.02% attrition/99.98% retention rate of students within programs. Some strategies proven to be successful in retaining students are: student support services, technical/tech support programs, online and face-to-face orientations, and student connection sessions set up for building peer relationships. Faculty and students are often unaware of the services provided by the institution and their department/school; dissemination of these services is pivotal to facilitating student success. The World Health Organization has predicted a shortage of over 18 million healthcare professionals by 2030, with half of those individuals representing the nursing profession. It is imperative to understand the attrition and retention of nursing students to prevent further loss of the future healthcare workforce. University of Mississippi Medical Center School of Nursing focuses on various processes that contribute to its success for the retention of nursing students at all levels. Percentile of attrition from Summer and Fall 2022 semester enrollment, metrics revolving around student leave, and demographics of the school's programs/state of Mississippi are reviewed in this paper. The success of the SON program in gaining high retention is multifactorial. A detailed outline of how academic affairs, student affairs, and administration work together to achieve a culture of success for students within the School of nursing is presented in this manuscript.
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 | 0,011 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,006 |
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 ».