Le bénévolat pour susciter l’intérêt pour les soins infirmiers en oncologie et remédier aux inégalités face au cancer : une étude pilote
Bibliographic record
Abstract
Contexte : Malgré la pénurie de personnel infirmier, il est difficile de recruter des étudiants en soins infirmiers oncologiques qui ne sont pas encore autorisés à exercer. Les futures infirmières souhaitent acquérir une formation en oncologie et de l’expérience clinique, et pourtant, les programmes traditionnels négligent souvent les approches d’apprentissage novatrices. De plus, l’accréditation professionnelle requiert une sensibilisation aux déterminants sociaux de la santé qui permette de lutter contre les inégalités en santé, particulièrement dans les régions mal desservies. Objet : La présente étude vise à évaluer si les expériences de bénévolat en oncologie peuvent susciter chez les infirmières de l’intérêt pour ce domaine et améliorer leurs connaissances sur les inégalités d’accès aux soins oncologiques dans les régions mal desservies. Méthodologie : Cette étude pilote descriptive à méthodes mixtes a été réalisée avec dix étudiants en soins infirmiers qui ont reçu une formation sur le cancer et les déterminants sociaux de la santé avant de participer à des activités de sensibilisation et de dépistage dans la communauté. Résultats : L’analyse qui a suivi l’intervention a confirmé la faisabilité du programme et démontré qu’il améliore les connaissances sur le cancer et les déterminants sociaux de la santé. Cependant, bien que les étudiants et les membres de la communauté disent avoir aimé leur expérience, l’intérêt pour le bénévolat en soins infirmiers oncologiques n’a pas évolué. Conclusion : Les partenariats entre universités et communautés et les expériences de bénévolat ont renforcé les connaissances sur le cancer des étudiants, leur empathie ainsi que leur compétence culturelle, un constat qui justifierait de plus amples recherches sur l’intérêt des infirmières à faire carrière en oncologie et les inégalités d’accès aux soins oncologiques.
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 | 0.031 | 0.045 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 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".