Knowledge and Application of Nursing Ethical Principles by Nurses at an Intermediate Hospital, Namibia
Notice bibliographique
Résumé
BACKGROUND: Nurses are to possess the knowledge and dutifully apply nursing ethical principles of respect for person, beneficence, non-maleficence and justice in caring for clients. Incidents that portray poor knowledge and application of nursing ethical principles have been previously reported at health facilities in Namibia. AIM: To assess the knowledge and application of ethical principles of nursing by nurses in rendering care to patients at Onandjokwe Intermediate Hospital, Oshikoto region in Namibia. METHODS: A Cross-sectional descriptive, and analytical methodology was applied to describe the knowledge and application of nursing ethical principles by nurses, among a study population of 257 nurses, of which 107 were registered nurses and 150 were enrolled nurses- a subcategory of qualified nurses and out of which 37 declined to participate in the study. The data were collected from the remaining all population sample of 220 all nurses. Descriptive statistics on the respondents’ knowledge and applications of ethical principles, and the relationship of the respondents’ demographic characteristics as independent variables and the knowledge and applications of ethical principles as dependent variables were analyzed. RESULTS: The findings revealed poor knowledge and poor application of ethical principle of respect for person or autonomy (42%; 27,9%), non-maleficence (45.4%; 54.8%), beneficence (48.8%; 38.8%) and justice (40.5%; 43.4%) among the respondents. A significance association was found between good knowledge of non-maleficence and being a registered nurse with p-value =0.01, as well as of good knowledge and working experience of five years and more with a p=0.01 and p=0.02 respectively. Male nurses were also more knowledgeable about justice (p-value=0.03) than the female counterparts. CONCLUSION: The study revealed poor knowledge and poor application of all four ethical principles among the respondents.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».