Nursing students’ knowledge about climate change and its effect on health: A systematic review
Notice bibliographique
Résumé
This systematic review aimed to investigate the extent of nursing students' knowledge regarding climate change and its impact on health. A comprehensive and systematic review was conducted across several international electronic databases, including Scopus, PubMed, and Web of Science. The search employed keywords based on Medical Subject Headings, including "knowledge", "climate change", "nursing students", and "health". The search period was extended from these databases’ inception until May 28, 2024. The quality of the studies included in this review was assessed using the Appraisal Tool for Cross-Sectional Studies (AXIS tool). The systematic review encompassed five cross-sectional studies, collectively involving 2,150 nursing students. Among these participants, females constituted 75.81%. The geographical distribution of the studies included in this systematic review spanned several countries: Egypt (n=3), Saudi Arabia, Iraq and Palestine (n=1), China (n=1), and the United States (n=1). Findings from three studies indicate that nursing students’ mean knowledge level regarding climate change’s impact on health is 63.70%. The knowledge level of nursing students regarding climate change’s impact on health was moderate. Factors including education level, practice, academic year, gender, and rural areas were related to nursing students’ knowledge about climate change and its effect on health. Policymakers and healthcare administrators must enhance the educational framework by prioritizing factors that influence the knowledge base of nursing students. These factors include academic level, geographic location (such as rural areas), gender, and clinical practice experience.
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 | 0,037 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».