Patterns and predictors of cultural competence practice among Nigerian hospital-based healthcare professionals
Notice bibliographique
Résumé
BACKGROUND: Being culturally competent would enhance the quality of care in multicultural healthcare settings like Nigeria, with over 200 million people, 500 languages, and 250 ethnic groups. This study investigated the levels of training and practice of cultural competence among clinical healthcare professionals in two purposively selected Nigerian tertiary hospitals. METHODS: The research was a cross-sectional study. A multi-stage sampling technique was used to recruit participants who completed the adapted version of Cultural Competence Assessment Instrument (CCAI-UIC). Data were analysed using descriptive statistics, Pearson's correlation, ANOVA, and multivariate linear regression. RESULTS: The participants were mainly women (66.4%), aged 34.98 ± 10.18 years, with ≤ 5 years of practice (64.6%). Personal competence had a positive weak correlation with age (p < 0.001), practice years (p = 0.01), training (p = 0.001), practice (p < 0.001), and organisational competence (p < 0.001). There were significant professional differences in the level of training (p = 0.005), and differences in training (p = 0.005), and personal competence (p = 0.015) across levels of educational qualifications. Increasing practise years (p = 0.05), medical/dental profession relative to nursing (p = 0.029), higher personal (p = 0.013), and organisational (p < 0.001) cultural competences were significant predictors of the level of training. Male gender (p = 0.005), higher years in practice (p = 0.05), local language ability (p = 0.037), rehabilitation professionals relative to nursing (p = 0.05), high culturally competent practice (p < 0.001), higher training opportunities (p = 0.013), and higher organisational competence (p = 0.001) were significant predictors of higher personal competence. CONCLUSION: About a third of the participants had no formal training in cultural competence. Incorporating cultural competence in the Nigerian healthcare professionals' education curricula may enhance the quality of care in the multicultural setting.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».