Post-licensure nurse training in U.S. health systems: Survey insights into modalities, effectiveness, and perceived gaps
Notice bibliographique
Résumé
Background and objective: As the practice of nursing requires broad clinical skills, it demands a wide range of understanding across many disciplines. To address nurse training and competency needs, health systems have implemented varying methods of skill development, including advanced technologies and virtual immersion strategies, in addition to the continuation of more conventional methods. The current literature remains limited in substantiating the effectiveness of a particular method. The objective of the study was to provide insights into the current post-licensure nurse training practice within U.S. health systems, nurse perceptions of training effectiveness for the given methods, and perceived gaps in nurse education. Methods: Design: A research survey of registered nurses across the United States. The survey was developed from published studies that describe the current training modalities deployed across U.S. health systems for nurses and based on direct feedback from practicing nurses. The survey was divided into the following sections: respondent demographics, commonly deployed training strategies, perceived effectiveness of different training methods, and perceived gaps in clinical practice training and competence. Results: A total of 247 nurse survey responses were included in the analysis. The results suggest that there is a disconnect between commonly deployed post-licensure nurse training strategies and the strategies that are perceived to be most valuable. There were several perceived gaps in core clinical nursing skills, highlighting an opportunity to improve upon current training strategies. Conclusions: This study provides insights into the current state of post-licensure nurse training and signals on where health systems may benefit from reassessing their educational strategies and where industry organizations may provide additional support by developing effective multi-modal education.
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 | 0,015 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».