A Cross-Sectional Study on Indigenous Nurses’ Knowledge and Perceptions toward Planetary Health Challenges
Notice bibliographique
Résumé
Background: Planetary health challenges—such as climate change and vector-borne diseases—not only threaten human health, but also jeopardize food and water security, ecosystems, economic stability, and social well-being. Registered nurses play an integral role in supporting populations affected by planetary health challenges. Purpose: The purpose of the larger cross-sectional study was to investigate the knowledge, attitudes, and practices of registered nurses in Canada related to climate sensitive vector-borne diseases. This manuscript presents findings of the Indigenous participants from the larger study. Methods: A national self-administered digital survey was distributed to practicing registered nurses in Canada. Results: Of the 382 survey respondents, 35 respondents declared as Indigenous, Metis, or Inuit. Results indicated that most worked as frontline care providers, and several were nurse educators. Study findings revealed enhanced knowledge of climate change and vector-borne diseases, as well as increased awareness of, confidence toward, preparedness, and experiences with vector-borne diseases in practice demonstrated by Indigenous, Metis, and Inuit participants. The greater knowledge and confidence of Indigenous, Metis, and Inuit nurses toward climate change and vector-borne diseases may be attributed to intergenerational knowledge transfer, which has provided them with the knowledge to observe and adapt to climate-related concerns, such as the changing vector landscape. Conclusion: Indigenous nurses are well-positioned to lead the nursing profession to a decolonization of nursing knowledge, where Indigenous knowledge is used to educate and prepare nurses to address planetary challenges in practice and assume a greater role in leading change to advocate for a climate-resilient future.
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 | 0,002 | 0,004 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».