Exploring the International Terminology Associated with Nurses Caring for Neonates, Infants, Children, Young People and Their Families
Notice bibliographique
Résumé
The terminology used for Registered Nurses specializing in caring for neonates, infants, children, young people (CYP), and their families varies globally. While many countries’ nursing students qualify as “Registered Nurses” upon completion of undergraduate education, specialist titles like “Children’s Nurses” in the United Kingdom or “Pediatric Nurses” in Italy denote expertise in CYP care. In countries like the United States and Canada, neonatal and pediatric nursing specialization typically requires postgraduate study. However, there is limited evidence on the range of international terms for nurses in this field. This expert opinion paper presents the results from a scoping survey designed to identify and catalog these terms across different countries. This exercise and the data collected were used to inform a larger cross-section study: “A Survey To map the glObal provision of children’s nUrsiNg eDucation” (the ASTOUND study). Conducted between May and August 2024, the survey collected responses from 76 participants across 34 countries representing all continents. Content analysis and descriptive statistics revealed 20 distinct terms, with “Paediatric/Pediatric Nurse” (n = 28) as the most common, followed by “Children’s Nurse” (n = 7), “Child Health Nurse” (n = 5), and others. Additional findings highlighted regional variation in terminology based on the clinical setting and population age range, underscoring historical and cultural influences on these terms. This initial survey provides a snapshot of global terminology. It underscores the need for further research, setting the stage for exploration in the ASTOUND study to map the provision of children’s nursing education worldwide.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».