Affiches
Bibliographic record
Abstract
Contexte : Si tous s'entendent pour dire qu'il est important que les infirmiers soient compétents dans l'exercice de leurs fonctions, peu d'instruments de mesure valides et fiables existent en français afin d'évaluer ces compétences.Un des outils utilisés fréquemment est le Nurse Competence Scale, développé par Meretoja et al. (2004).Développé en finlandais, l'outil a été traduit en anglais, italien, norvégien, persan, lithuanien, allemand et suédois (Flinkman et al., 2017).Une version française validée permettrait d'effectuer des études et comparer les résultats avec d'autres études internationales.Objectifs : L'objectif de cette affiche est de présenter la méthode d'adaptation et de validation du Nurse Competence Scale en français (Échelle de compétences infirmières), un outil de mesure de compétences d'infirmiers.Méthodes : Les lignes directrices de Sousa et Rojjanasrirat (2011) ont été utilisées pour mettre sur pied l'étude Vali-D, ayant pour objectif de traduire et tester la version française du Nurse Competence Scale (étude en cours).Cette étude se déroule en cinq étapes, soit une première traduction, une validation de la traduction, une rétro-traduction, une validation de la rétro-traduction et une phase pilote pour tester l'outil avec un groupe de 20 participants et 10 experts (validation de contenu).Résultats : L'étude Vali-D se conclura par une version préfinale de l'outil traduit.Elle sera suivie d'une étude qui visera l'évaluation de ses propriétés psychométriques.Discussions et conclusions : Afin d'obtenir des résultats de recherche rigoureux, il importe d'utiliser des questionnaires validés, encore faut-il que ces outils soient disponibles dans la langue de notre choix.L'utilisation d'une méthode rigoureuse de traduction, adaptation et validation permettra de développer l'Échelle de compétences infirmières qui pourrait être utilisée dans de futures études.
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 | 0.002 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.196 | 0.072 |
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".