Balancing Nurture and Rigour: Seeking Effective Support for Nursing Students in Distress
Notice bibliographique
Résumé
As higher educational institutions face a growing demand to graduate more nurses, and mental health and life stresses are recognized as increasing obstacles to student success, the timing is right for nursing programs to evaluate their traditionally rigorous program cultures. At Sunrise University in Western Canada, nursing students make up a large population seeking support services, and there is an increasing need for capacity building in faculty to support learners who are in distress. In this organizational improvement plan (OIP), I explore what can be enhanced or further developed to create more effective support for students who are in distress or who are notably struggling. Early recognition of distress can prevent issues from escalating and, in turn, promote retention, ability to learn, social justice, and student wellness. To achieve this desired state, which aligns with Sunrise University’s strategic plan, I propose the creation of a professional learning community to collaborate with faculty to bring awareness about distress while also nurturing their well-being amidst heavy workloads. Through transformative and shared leadership approaches, this OIP is framed by critical and systems organizational theories, with intersectional and cultural theoretical lenses. The ADKAR change model is used to develop a strategic implementation plan, with appreciative and PDSA inquiry cycles woven through as we monitor and evaluate progress. Future considerations include how to move toward progression policy change and collaboration with the healthcare system to influence a supportive and caring learning environment.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».