Successful Components for Developing an Oncology Nurse Residency Program: An Integrative Review
Notice bibliographique
Résumé
Problem Identification Residency programs for newly licensed registered nurses (NLRNs) have become an integral part of the new nurse’s transition to professional practice, improving resilience and retention of the NLRN. The goal of this integrative review is to highlight concepts and components that have been successfully incorporated into NLRN residencies and provide nursing leaders with actionable guidance to incorporate into facility-based oncology nurse residencies. Literature Search An integrative review using Whittemore and Knafl’s approach was conducted in accordance with principles of thematic analysis established by Toronto and Remington. Data Evaluation Eighteen records were included. As few research articles were found addressing the topic, a broader emerging synthesis approach was adopted to include program evaluation articles. Synthesis Five themes were identified as integral to successful NLRN residency programs: enculturation, competency validation, professional growth, preceptor support and training, and looping. Implications for Practice or Research The paucity of research regarding successful components of oncology nurse residencies offers an opportunity for future research to meet the evolving needs of NLRNs. Knowledge Translation These findings reinforce the need for nursing leaders to invest in the transition of NLRNs to professional practice. By intentionally integrating the NLRN into the organization, supporting preceptors, and validating competency, nursing leaders may improve the transition to registered professional nurse.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».