An Introduction to Faculty Diversity, Equity, and Inclusion for Excellence in Nurse Education: Literature Review
Notice bibliographique
Résumé
BACKGROUND: The diversity of the world's population is increasing, along with the health inequities of underrepresented minority populations. To provide high-quality care to all patients, nurses require an understanding of diversity, equity, and inclusion (DEI) as well as how to implement best practices. Nurse educators are the ones to lead the way for DEI education for students. OBJECTIVE: This paper aims to describe the findings of a literature review that introduces DEI concepts for excellence in nurse education and their related benefits. Best practices for actions to address DEI in nursing education will be described. METHODS: After institutional review board approval, a literature search yielded 61 articles using 15 distinct keywords in 4 global, peer-reviewed literature databases. Melynk and Fineout-Overholt's (2023) Levels of Evidence guided the process of selecting 26 peer-reviewed articles and resources. RESULTS: Common themes for best practices in DEI were identified. These themes included recruiting underrepresented minority nursing faculty, incorporating DEI into an institution's mission statement, addressing DEI topics in curricula, providing leadership, having a DEI strategic plan, developing education, developing data-based interventions, instilling policy change, partnering in outreach, targeting impact on hiring committees, recognizing DEI work, and providing mentorship. CONCLUSIONS: In summary, this literature review provides several strategies to address DEI for nurse educators. Committing to DEI efforts and improving diversity in the nurse educator workforce are integral steps in improving the quality and inclusivity of nursing education and ultimately improving the health of our communities.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».