Notice bibliographique
Résumé
As we begin the year 2024, we do so with some very big challenges that have spilled over from 2023 and, indeed, many years before that.Every day, we are confronted with concerning experiential and research-based evidence about worsening access to healthcare, pervasive racism and widening disparities.Clearly, there is a great deal of work to be done in our healthcare system to support and improve the health of the diverse populations that we serve.Yet, along with the challenges come opportunities to reflect, collaborate, innovate, evaluate and learn.When I look at issues of the Canadian Journal of Nursing Leadership (CJNL) from the past 20 years, I am astounded at how some concerns have changed and some have remained the same.Can you believe that there was a time when nursing positions in practice and in education were actually being cut?Of course, many of the big issues we face today were emerging even then, and we have long since passed the tipping point that has put the country into a healthcare crisis.Crisis is a fertile ground for innovation, and the windows of opportunity for nursing to contribute to addressing these big challenges are wide open.Nursing leadership matters, and the need for all nurses to lean into leadership roles has never been more imperative.At the CJNL, we have exciting plans to help contribute to the leadership tsunami that is vital to the present and the future, and I would like to share some of those plans with you.
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 | 0,013 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,006 |
| Communication savante | 0,018 | 0,012 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,014 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,053 | 0,020 |
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 ».