Nurse faculty shortage problem and a grant solution to the problem
Notice bibliographique
Résumé
Introduction: The projected growth of the nurse workforce will drive the need for more nurse faculty in the U.S., with an estimated needed increase of 24% (16,000 new faculty) to meet workforce demands between 2016 and 2026. However, nursing schools have struggled to keep pace with growing enrollment demands and faculty retirements.Methods: To meet the needs of the nursing workforce and to address the nursing shortage by educating qualified faculty, the University of Cincinnati College of Nursing (UC CON) has applied for and received funding through the federal government’s Health Resources & Services Administration (HRSA) Nurse Faculty Loan Program (NFLP) grant.Results: Since 2012, the UC CON has utilized the NFLP to provide nearly $4.4 million in loans to students. The UC CON has supported 115 individual graduate-level nursing students with NFLP funds. As of 6/07/24, 73 UC CON degrees have been awarded. Several prior recipients are working as nurse faculty, some at rural and community colleges where the nurse faculty shortage is most acute. Some of the students who received NFLP funds and graduated are working in medically underserved and/or rural areas across the U.S.Conclusions: A new grant submission was funded in June 2024 to fund more doctoral students and Master of Science in Nursing Education Students. The UC CON provides additional components (e.g., nurse educator development, professional development, and job search support) to strengthen recipients’ preparation and marketability for nurse faculty roles in all regions, including rural and underserved areas.
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 | 0,020 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,006 |
| Communication savante | 0,010 | 0,016 |
| Science ouverte | 0,006 | 0,016 |
| Intégrité de la recherche | 0,019 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,039 | 0,007 |
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 ».