Le savoir au service des patients : évaluation du transfert des connaissances auprès d’infirmiers-ères, après une formation e-Learning sur la gestion de la douleur
Bibliographic record
Abstract
Introduction : Dans les hôpitaux, la prévalence de la douleur a été signalée comme étant élevée. Or, une prise en charge infirmière efficace et constante de la douleur n’est pas optimale. Objectif : Cette étude visait à évaluer le transfert des connaissances à la suite d’une formation e-Learning sur la douleur, suivie par 47 infirmières et personnels d’assistance d’une unité de réadaptation gériatrique d’un centre hospitalier universitaire de Suisse francophone. Méthodes : Les infirmières et personnels d’assistance ont complété un questionnaire de satisfaction et un questionnaire de connaissances. Une analyse des dossiers-patients a été réalisée et des entretiens de groupe auprès de professionnels ont permis de compléter l’évaluation. Résultats : Les résultats démontrent une satisfaction élevée quant aux contenus abordés dans le e-Learning et une acquisition des connaissances au terme de la formation. Toutefois, l’analyse des dossiers-patients montre que les recommandations de bonnes pratiques en matière de dépistage et d’évaluation de la douleur ne sont pas systématiquement appliquées. Les entretiens de groupe ont permis de décrire plusieurs causes à cet écart. Discussion et conclusion : Pour que la formation bénéficie aux patients, le transfert des connaissances nécessite d’anticiper des stratégies d’accompagnement au développement des compétences, incluant un partenariat entre formateurs et cadres d’unités de soins, ainsi que l’évaluation des facteurs impliqués dans le transfert des connaissances.
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 | 0.007 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".