Trends in foreign-trained registered nurses in the United States.
Bibliographic record
Abstract
En 2004, les Etats-Unis comptaient 2,4 millions d'infirmieres qualifiees en activite sur leur territoire. Durant les annees recentes, beaucoup d'etablissements ont rencontre des difficultes pour recruter et garder leur personnel infirmier. On estime qu'aujourd'hui, les disponibilites en infirmieres qualifiees sont inferieures de 10 % a la demande. L'ecart va encore se creuser et en 2020, il serait de 36 %. La tendance a recruter des infirmieres formees a l'etranger sera donc de plus en plus forte. Depuis 1988, les infirmieres formees a l'etranger ont constitue environ 4 % du corps des infirmieres qualifiees aux Etats-Unis. Elles exercent majoritairement dans 5 des 50 Etats de l'Union (Californie, Floride, New Jersey, New York et Texas). Elles sont de provenance tres diverse. Toutefois, 4 pays d'origine surpassent en nombre tous les autres, les Philippines, l'Inde, le Canada et le Royaume-Uni. Ce trait est remarquable, il montre que les migrations du personnel de sante ne sont pas seulement un flux des pays pauvres vers les pays riches. Les enquetes entreprises pendant la periode 1988-2004 font apparaitre certains traits interessants : - les infirmieres formees a l'etranger obtiennent en general leur diplome a un âge plus jeune que leurs consoeurs formees aux Etats-Unis, mais elles ont en moyenne un âge plus eleve a chaque date d'observation ; - elles tendent a etre salariees en plus grande proportion dans les etablissements hospitaliers et les maisons d'hebergement medicalisees (alors que leurs autres consoeurs sont plus attirees par les structures locales et la pratique privee) ; - elles sont d'origine ethnique plus diversifiee et peuvent sans doute repondre efficacement aux besoins des differentes communautes ethniques du pays ; - elles tendent a travailler en plus grande proportion dans le strict domaine des activites infirmieres.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".