Recommandation par les infirmières en oncologie concernant la prise de cannabis au Canada pour soulager les nausées et les vomissements induits par la chimiothérapie : étude des facteurs d’influence
Bibliographic record
Abstract
Une étude transversale descriptive a été réalisée pour déterminer les facteurs qui incitent les infirmières canadiennes en oncologie à suggérer la prise de cannabis à leurs patients pour soulager les nausées et vomissements induits par chimiothérapie (NVIC). Au total, 678 membres de l’Association canadienne des infirmières en oncologie (ACIO/CANO) ont reçu, entre le 8 février et le 10 avril 2022, une invitation à répondre au sondage, suivie de trois rappels. Une infirmière enseignante a aussi envoyé l’invitation à 131 autres infirmières en oncologie de l’est de l’Ontario. Le sondage s’appuyait sur le modèle d’utilisation de la recherche d’Ottawa. En tout, 27 personnes ont ouvert le lien du sondage et 25 l’ont rempli. Onze (47,8 %) d’entre elles ont répondu à la question sur l’efficacité du cannabis pour soulager les NVIC. Les trois principaux obstacles à recommander la prise de cannabis étaient la stigmatisation sociale, le manque de connaissances des infirmières et le manque de directives au sein du milieu de travail. Tous les participants ont relevé l’importance de la formation continue et de directives écrites sur le recours au cannabis pour soulager les NVIC. Le sondage a reçu peu de réponses, mais dans l’ensemble, les répondants se disaient mal préparés pour proposer la prise de cannabis en traitement des NVIC.
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 | 0.010 | 0.029 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".