Factors Influencing New RNs’ Supervisory Performance in Long-Term Care Facilities
Bibliographic record
Abstract
RÉSUMÉ Dans les établissements de soins de longue durée (ÉSLD), les infirmières autorisées (IAs) exercent à la fois des fonctions cliniques et de supervision en tant que membres d’une équipe visant à dispenser des soins de grande qualité aux résidents. Les résidents sont affectés par plusieurs comorbidités et leurs besoins en matière de soins sont complexes. Malheureusement, les infirmières nouvellement agréées ne reçoivent que peu de formation en gérontologie et leur expérience de supervision est minimale, ce qui entraîne de faibles taux de rétention et affecte les résultats chez les patients. Cette étude qualitative a exploré les facteurs influençant l’expérience de supervision des nouvelles IA en ÉSLD à porter d’un échantillon de 24 participants en Ontario (Canada). Les données ont été recueillies par la voie d’entrevues individuelles, et une analyse de contenu directe fut réalisée. Trois niveaux d’influence ont été identifiés : influences personnelles, influences organisationnelles et influences externes. Chacun des niveaux présentait des sous-éléments qui décrivaient plus précisément les facteurs ayant de l’impact sur la performance de la nouvelle IA en supervision. La rétention des nouvelles IA en ÉSLD nécessiterait la mise en place d’une formation additionnelle en gérontologie et d’un processus de mentorat par ces organisations, afin d’assurer le développement de leurs rôles de supervision.
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 | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".