Management education of nurses-in-charge in Yukon / by Anne C. Dietrich Bragg.
Notice bibliographique
Résumé
Recruitment and retention of skilled, qualified nurses to northern regions of Canada is an \non-going problem. One of many contributing issues may be the lack of management education \nafforded to the Nurses-In-Charge (NICs) in remote communities. If managers lack adequate \neducation, they cannot properly support the staff with whom they work; the environment of the \nhealth centre therefore deteriorates, then retention and recruitment of nurses becomes difficult. \nThis study investigates the type and frequency of management education given to NICs \nin the Yukon Territory. It also attempts to identify the type of education these NICs feel would \nbenefit them. Finally, a job satisfaction questionnaire attempts to determine how NICs feel about \ntheir work relationships and their job in general. \nBackground Information: \nFor the past decade, Canada has been experiencing a nursing shortage (Maslove & Fooks, \n2004, Office of Nursing Policy, 2005) which is expected to worsen during the next decade \n(Canadian Nurses Association, 2002). When there is a nursing shortage, outpost nursing stations \nand remote health centers suffer greatly, especially in First Nations communities; in 2001, there \nwas a reported vacancy rate of at least 40% on reserves, resulting in the closure of some nursing \nstations for lack of staff (Fletcher, 2001). This kind of shortage results in poor continuity of care \nto the detriment of patient well being (Minore et ah, 2005). Although nurse retention is a \ncomplex issue, especially in northern Canada where little research has been done (MacLeod, \nKulig, Stewart & Pitblado, 2004), overwork, burnout, and lack of management support and \nappreciation are some of the top reasons nurses cite for leaving northern areas (Tyler & Riggs, \n2000).
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 | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,038 | 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 ».