Supporting professional development for early career pre-tenure nursing faculty using Narrative Reflective Process
Notice bibliographique
Résumé
Background: Early career, pre-tenure nursing faculty face significant challenges as they navigate the demands of academia, particularly during their first year. While there is growing research about pre-tenure faculty needs, specific insights into early career nursing faculty, especially in Canada, is limited. It is also not known how professional development strategies such as Schwind’s Narrative Reflective Process (NRP) could facilitate integration into academia and support professional growth. The purpose of this article is to explore the application of NRP as a professional development tool for nursing faculty during their first year of a tenure-track position.Methods: At a large urban school of nursing in Canada, four pre-tenure nursing faculty members in their first year of appointment engaged in a series of collaborative, professional development exercises guided by a senior faculty member using NRP. A composite reflection was analyzed using qualitative content analysis.Results: Six themes emerged from the faculty members’ experiences using NRP: needing time to reflect, learning process, creative process, sharing experiences and finding our unique path, experiencing emotions, and looking forward.Discussion: This article highlights the experiences of NRP on early career nursing faculty. Findings reveal the need for dedicated reflection time to foster emotional engagement. Creative activities deepened insights into faculty identities, while sharing experiences fostered community and collaboration. Faculty expressed enthusiasm for applying NRP in future educational and research contexts, recognizing its value for ongoing professional development. Conclusion: NRP is a promising tool to promote professional development in early career tenure-track nursing faculty in academia.
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 | 0,023 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,008 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».