Exploration du sentiment d'auto-efficacité d'infirmières et d'infirmiers débutants aux soins intensifs à administrer des médicaments à alerte élevée
Bibliographic record
Abstract
Dans les unités de soins intensifs, l’utilisation d’une grande variété de médicaments à alerte élevée et le contexte d’urgence prédisposent aux erreurs de médicaments (Camiré et al., 2009; Härkänen et al., 2016; Luokkamäki et al., 2021; Rothschild et al., 2005). Les infirmières et les infirmiers débutants doivent développer et mobiliser rapidement les connaissances et les compétences nécessaires à l’administration sécuritaire des médicaments à alerte élevée. Cette étude explore le sentiment d’auto-efficacité des infirmières et infirmiers débutants à administrer des médicaments à alerte élevée dans une unité de soins intensifs. Le modèle de la pratice readiness présenté par Mirza et al. (2019) a été utilisé comme cadre conceptuel, lequel considère l’auto-efficacité comme concept central afin d’exercer pleinement sa profession. Une approche qualitative de type exploratoire a été adoptée. Des entretiens semi-structurés d’environ 45 minutes ont été réalisés par l’étudiante-chercheuse. Au total, six infirmières et infirmiers de moins de deux ans d’expérience et travaillant à l’unité de soins intensifs d’un hôpital affilié universitaire à la région métropolitaine de Montréal ont participé à l’étude. Les verbatims ont été analysés par l’étudiante-chercheuse à l’aide de l’analyse thématique inductive de Nowell et al. (2017). Les résultats suggèrent que le sentiment d’auto-efficacité à administrer des médicaments à alerte élevée fluctue selon la nature des expériences cliniques vécues par les infirmières et infirmiers débutants aux soins intensifs, et il est modulé par l’appropriation du rôle infirmier, les caractéristiques individuelles et l’environnement de travail dans lequel ils évoluent. Afin d’optimiser le développement du sentiment d’auto-efficacité des infirmières et des infirmiers débutants lors de l’administration des médicaments à alerte élevée aux soins intensifs, une approche multidimensionnelle incluant plusieurs niveaux d’interventions sur les facteurs individuels et organisationnels qui influencent l’auto-efficacité est requise. Des recommandations sont proposées pour la pratique, pour la recherche, la formation et la gestion.
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 | 0.020 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".