Pathophysiology and pharmacology course grades and prediction of success in a graduate nurse practitioner program
Notice bibliographique
Résumé
BACKGROUND: During a program review, faculty identified that nurse practitioner (NP) students who received a C grade in Advanced Pathophysiology (Patho) and Advanced Pharmacology (Pharm) appeared to perform poorly in the later NP management courses and on other program outcomes. PURPOSE: The research aimed to determine whether grades in graduate Patho and Pharm courses could predict performance in NP management courses, program progression and completion, and certification pass rates. METHODOLOGY: This research included deidentified student data from 2016 to 2018 across seven NP specialty tracks ( n = 4,575). Nonparametric and parametric tests were used in the analysis. RESULTS: A significant correlation ( p < .001) existed between Patho and Pharm grades. Lower grades in these two courses were significantly related to each other and to lower management course grades. Logistic regression showed that graduate pathophysiology grades significantly predicted certification examination performance, with lower grades associated with lower certification examination performance. Graduate pharmacology grades, pathophysiology grades, composite management course grades, and admission grade point average (GPA) significantly predicted final cumulative GPA, with lower grades associated with lower performance for all variables. CONCLUSIONS: Results of this research support the hypothesis that grades of C in Patho or Pharm courses significantly predict C performance in the management NP courses and lower certification success rates. IMPLICATIONS: The project model can be used in future research. Study findings can be helpful to NP faculty when considering curriculum decisions.
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 | 0,000 | 0,001 |
| 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 ».