Improving genetics and genomics education in the preregistration nursing curriculum: A cross-sectional survey
Notice bibliographique
Résumé
• Knowledge of genetics, genomics, and epigenetics is a priority for all healthcare professionals. • An online survey identified that student nurses are inadequately prepared for competency in this aspect of their nursing practice. • Nursing schools must have curricula that include genetic and genomic content applicable to clinical practice and tailored to knowledge gaps. Registered nurses must be prepared to apply genomics-informed nursing care. To inform the development of genomic literacy curricula by evaluating preregistration nursing students’ knowledge of genetics and genomic principles. The Genomic Nursing Concept Inventory (GNCI) was administered as an anonymous, cross-sectional online survey to preregistration nursing students. The GNCI is a 31-item validated instrument for assessing knowledge of genetics and genomics considered necessary to support registered nurses’ understanding and application to clinical practice. Descriptive analysis was conducted to evaluate students' level of knowledge and understanding of key concepts. Cronbach alpha and item discrimination instrument reliability scores were calculated. The response rate was 24.1% (66/273). Correct scores for content subcategories of inheritance, genomic healthcare, genome basics, and mutations were 57%, 54%, 40%, and 36%, respectively. On average, students answered 15 of 31 GNCI items correctly, i.e., 48.4% correct responses (SD = 3.9). Preregistration nursing students demonstrated some basic genetics literacy of foundational concepts concerning genomics and genetics. However, gaps in genomic knowledge across all three preregistration training years were noted.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».