Mentors' and supervisors' perspectives regarding newly qualified nurses' practice in digitally enabled workplaces: A qualitative study
Notice bibliographique
Résumé
BACKGROUND: Contemporary healthcare environments are becoming increasingly reliant on digital health technologies, presenting new opportunities and challenges for the nursing profession and nurses across practice settings and roles. Little is known about newly qualified Canadian nurses' experiences as they transition from academic settings to digitally enabled healthcare workplaces. OBJECTIVE: To explore (1) perceptions of nurse managers, clinical preceptors and educators regarding newly qualified nurses' practice with digital health, and (2) identify strategies to enhance new nurses' practice with digital health technologies as they transition to the workplace. METHODS: A descriptive qualitative design was used. Fifteen participants representing nurse managers, clinical preceptors, and educators from two Canadian provinces participated in semi-structured interviews. Thematic analysis was applied to analyze the data. RESULTS: Three themes were identified: 1) Onboarding upon joining the workplace, 2) Factors influencing new hires' practice with technology, and 3) Improving the transition experience to the workplace. Newly qualified nurses have strong digital skills and access to technology training; however, they also face challenges that affect their overall transition and practice. Having a broader understanding of digital health during formal education and in the workplace, mentorship and support from mentors and colleagues, user-friendly technologies, and stable nursing practice environments are key for safe practice and can facilitate the transitional experience and professional growth of new nurses. CONCLUSION: Clearly, digital health is here to stay and will further advance in the years to come. Considering global nursing shortages and the demand for a digitally capable workforce, it is imperative to address gaps and challenges that newly qualified nurses and all nurses face when providing care in digitally enabled healthcare environments.
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 | 0,010 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,005 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».