Les outils de cybersanté et les soins infirmiers en oncologie : perceptions infirmières et contributions aux soins des patients et à la pratique avancée
Bibliographic record
Abstract
Alors que les infirmières en oncologie voient leur discipline évoluer rapidement et la pression dans leur milieu de travail croître, l’intégration à la pratique de plateformes de santé en ligne fondées sur la recherche apparaît prometteuse. La présente étude explore les perceptions infirmières quant à l’utilité des outils de cybersanté en ciblant particulièrement l’outil de navigation interactive en oncologie, ou « Oncology Interactive Navigator » (OIN MC ), un instrument qui pourrait améliorer la pratique, de même que les interactions avec les patients. Des groupes de discussion avec des infirmières en oncologie ont été organisés à deux reprises : une fois avant l’exposition à l’OIN MC (T1, n=8) puis après 4 semaines d’accès illimité (T2, n=7). Trois thèmes sont ressortis de l’analyse qualitative par comparaison constante : 1) les principaux facteurs propulsant la cybersanté sont multidimensionnels et en constante évolution; 2) la cybersanté répond aux besoins des patients et soutient la pratique, jouant ainsi un double rôle; 3) la cybersanté sert de catalyseur au perfectionnement professionnel et au réseautage. La cybersanté est attrayante pour les infirmières en oncologie, car elle permet à la fois de faire avancer la pratique et d’améliorer les soins aux patients. La recherche à venir devrait examiner les pratiques exemplaires permettant à tous les intervenants concernés de la mettre en œuvre de manière optimale.
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 | 0.011 | 0.030 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.008 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.007 | 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".