Le développement continu des compétences de raisonnement clinique et de leadership : facteurs personnels et facteurs organisationnels
Bibliographic record
Abstract
La formation continue des infirmières nouvellement diplômées (IND) dépend de plusieurs facteurs reliés aux caractéristiques des compétences à développer, de la population cible et du contexte organisationnel. Peu d’études décrivent à la fois comment les infirmières développent leurs compétences et comment les établissements favorisent ce développement. Les objectifs de cet article sont de décrire les comportements que les IND utilisent pour développer leurs compétences de raisonnement et de leadership ; et de documenter les éléments organisationnels qui facilitent ce développement. Méthode. Des entrevues individuelles ont été effectuées auprès d’infirmières (n=34) à l’aide d’une grille d’entrevue semi-structurée et deux entrevues de groupes ont été réalisées auprès d’infirmières (n=7) et de gestionnaires (n=19) dans deux hôpitaux universitaires de l’Est du Canada. Les résultats montrent que les infirmières se développent essentiellement en réfléchissant sur leur pratique professionnelle dans leur milieu de travail. Or, l’absence de temps de réflexion dans l’espace de travail est un obstacle considérable alors que le leadership des gestionnaires est un atout important.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".