Accelerating advanced practice palliative care competencies: An educational research initiative
Notice bibliographique
Résumé
Objective: To describe the process and impact of integrating palliative care into the nursing curriculum to accelerate advanced practice palliative care competencies.Methods: Educational research was implemented at the Johns Hopkins University School of Nursing, Baltimore, MD to integrate palliative care knowledge and skills into the advanced practice nursing curriculum. Palliative care principles and skills were threaded through the curriculum and resources and contents were shared across graduate programs, faculty members, and students throughout the school. Additionally, palliative care workshops, symposium and conference were organized at the school to increase academic-practice partnerships and disseminate project progress. The initiative was evaluated using the Palliative Care Quiz for Nursing (PCQN) and Palliative-Care Self-efficacy Scale (PCSES) among faculty and students annually. Additional data on overall feedback on research activities were collected. Data were analyzed using descriptive statistics, t-tests, and analysis of variance.Results: In total 54 students, faculty, and clinicians participated in two workshops. The evaluation of workshops identified a significant improvement in confidence scores. In total, 620 faculty and students responded to the annual school-wide survey: 203 in 2019, 242 in 2020, and 175 in 2021. There were no significant changes in palliative care knowledge and confidence scores after integrating content within the curriculum. The participants agreed or strongly agreed with the overall positive feedback for the project events regarding expectation, pace, relevance, and objective.Conclusions: The academic-practice partnership could be one model for improving palliative care competencies. More educational initiatives are needed to identify the role of educational models with appropriate evaluation measures in preparing a competent palliative care workforce.
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 | 0,022 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».