THE CONTINUOUS LEARNING NEEDS OF PERSONAL SUPPORT WORKERS WHO CARE FOR PEOPLE LIVING WITH DEMENTIA IN LONG-TERM CARE
Notice bibliographique
Résumé
Abstract Personal support workers (PSWs) in long-term care (LTC) homes comprise over half of the workforce responsible for providing care to people living with dementia. Compared to other healthcare professionals, PSWs receive the least education, which fails to equip them with the necessary competencies for quality dementia care. To provide optimal care to people living with dementia, PSWs need to be offered opportunities for continuous education that addresses their specific learning needs. Therefore, this study identified and examined the dementia-specific learning needs of PSWs in LTC. Interpretive description guided the secondary qualitative analysis of 22 focus groups with ‘mid-career’ PSWs (n = 39) in LTC. The analysis identified specific learning needs along with ways in which those needs are best met. The learning needs include: 1) addressing responsive behaviours, 2) person-centered communication and attitudes, 3) delirium, and 4) dementia as a chronic condition. Learning needs were most commonly attributed to limited preparation during formal PSW education and a lack of continuous training opportunities throughout their career. Learning needs are best met through experiential methods involving peer learning, feedback, and evaluation within a supportive environment. For the learning needs to mediate practical outcomes, there needs to be an openness to dementia education and a good teamwork culture within LTC. The data generated from this research study will be essential to developing future continuing education for PSWs, contributing to knowledge about dementia care within LTC settings, and improving the quality of care provided to people living with dementia.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».