Portrayals of the new graduate nurse experience on TikTok: a thematic analysis
Notice bibliographique
Résumé
• NGNs made videos saying they felt unprepared for to be nurses. The themes in NGN videos suggest that they did not understand the complexity of nursing practice. • NGNs equated having the correct clothing, equipment, and other visible markers as making them prepared for practice. • Experienced RNs can consider that NGNs may have different priorities about nursing practice. Knowledge of these differences can help RNs become better clinical mentors as they support NGNs to manage complexity. New graduate nurses (NGNs) enter the workforce with enthusiasm, but negative experiences within the first two years of practice can lead to attrition. Many NGNs are sharing their practice experiences on the popular platform, TikTok. The purpose of our study was to explore how NGNs display their experiences of transitioning to practice on TikTok. We used Braun and Clarkes’ reflexive thematic analysis to analyze 126 videos, collected from the hashtags #newgradnurse, #newgradnursetips, and #newnurseproblems on TikTok between October and November 2023. We generated three themes from these data: The NGN as an Individual, The NGN as a Clinical Nurse, and The NGN as a Professional. The results of our study demonstrated a gradual progression in the NGNs’ comfort within their transition. As NGNs entered practice, many did not demonstrate understanding about the complexities of the nursing profession. As a result, majority of NGNs reported feeling unprepared for practice. NGNs and RNs discussed different topics on TikTok, demonstrating different understandings of the roles of nurses.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».