The Challenge of Diversity in Nursing Leadership: The Need to Avoid Misinformation and False Facts
Notice bibliographique
Résumé
This article probes two recent (2022-2023) instances of false narratives in nursing, both with the laudable goal of promoting diversity in nursing leadership, but which presentations are flawed by false facts. The first example is the installation of portraits of Florence Nightingale, the founder of nursing, and Mary Seacole, the Crimean War businesswoman and volunteer, at Toronto’s University Health Network and Princess Margaret Cancer Centre. The second is a 2023 article by a nursing academic, Jennifer Woo, urging decolonization of “the history of nursing by magnifying the contributions of nurses of colour”. It includes mention of a number of leading nurses of colour, however with an enormous number of false claims for Mary Seacole. Brief mention is also made of Rappaport’s 2022 revised book on Seacole calling her “a Black Cultural Icon and Humanitarian”. This article goes on to present two leading diversity nurses well worthy of celebration: The Nigerian Kofoworola Abeni Pratt, the first Black nurse in Britain’s National Health Service, who led in Nigerian nurses assuming leadership roles from white, British, expatriate nurses. The other is the redoubtable Mary Elizabeth Carnegie (1916-2008), the African-American nurse who led in the racial integration of nursing in the United States. Consideration is given as well to how such major mistakes are made in the nursing literature, with a recommendation for much more critical reading of sources.
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 | 0,100 | 0,190 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,030 | 0,151 |
| Communication savante | 0,038 | 0,088 |
| Science ouverte | 0,005 | 0,033 |
| Intégrité de la recherche | 0,021 | 0,046 |
| 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 ».