Problem‐based learning in Guyana: a nursing education experiment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AIM: This paper invites the reader into sharing a journey of change through a new curriculum grounded in a problem-based learning (PBL) approach to education in the first year of a diploma nursing programme in Guyana. BACKGROUND: In Guyana, students are trained using traditional teaching methods: lectures and a single, often outdated, text. The authors had been dissatisfied previously with their students' knowledge retention, critical thinking skills and application abilities. The authors became advocates for change through the introduction of a PBL approach in nursing education within their school. METHODS: PBL is quite different from 'problem solving', and the goal of learning is not to solve the problem, which has been presented. Rather, the problem is used to help students identify their own learning needs as they attempt to understand the problem, to pull together, synthesize and apply information to the problem, and to begin to work effectively to learn from group members as well as tutors. Students met in small groups to identify the problem; explore their pre-existing knowledge; generate hypotheses and possible mechanisms; and identify learning issues. CONCLUSION: Students in their first exposure to self-directed, small group learning can immediately thrive as active learners with minimal guidance and support. The programme was evaluated with the admission and scoring of homework/exams based on the school syllabus for the individual courses; and continual small group oral as well as a final written qualitative evaluation. Specific positive and negative learning factors are addressed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle