Reach of an Occupational Health and Safety Program to Improve Sleep and Fatigue Among Nurses
Notice bibliographique
Résumé
BACKGROUND: Training and education may benefit nurses whose nonstandard work hours put them at risk of poor sleep, fatigue, and ensuing adverse health and safety outcomes. The National Institute for Occupational Safety and Health (NIOSH) published "Training for Nurses on Shift Work and Long Work Hours" in 2015 as a free online resource which remains one of the few trainings available on this topic. However, the extent to which nurses have completed the program and the characteristics of current learners have not been examined. OBJECTIVE: We aimed to describe the potential reach of the NIOSH Training for Nurses between May 2015 through December 2020. METHODS: Data were obtained on learners who received continuing education credits upon completion of the NIOSH Training for Nurses. We applied a widely used implementation and evaluation framework, RE-AIM (Reach, Effectiveness, Adoption, Implementation, Maintenance), to describe the potential reach of the nurses' training and provide descriptive statistics of learners. RESULTS: From 2015 to 2020, 7899 learners from different occupations received continuing education credits for completing the training. Approximately 60% of learners were nurses and 30% were students. Among nurses, most were Registered Nurses (93%), with few Licensed Practical Nurses (6%) and Advanced Practice Nurses (2%). In 2020, the number of learners who were nurses represented only 0.09% of all licensed US nurses. CONCLUSION: A renewed dissemination plan may help extend training reach to the larger population of licensed US nurses. The NIOSH training remains a seminal, freely available, online resource for nurses, filling a critical gap in training to manage work-related fatigue.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».