Correlations Between Clinical Judgement and Learning Style Preferences of Nursing Students in the Simulation Room
Notice bibliographique
Résumé
BACKGROUND: Health care educators account for variables affecting patient safety and are responsible for developing the highly complex process of education planning. Clinical judgement is a multidimensional process, which may be affected by learning styles. The aim was to explore three specific hypotheses to test correlations between nursing students' team achievements in clinical judgement and emotional, sociological and physiological learning style preferences. METHODS: A descriptive cross-sectional study was conducted with Swedish university nursing students in 2012-2013. Convenience sampling was used with 60 teams with 173 nursing students in the final semester of a three-year Bachelor of Science in nursing programme. Data collection included questionnaires of personal characteristics, learning style preferences, determined by the Dunn and Dunn Productivity Environmental Preference Survey, and videotaped complex nursing simulation scenarios. Comparison with Lasater Clinical Judgement Rubric and Non-parametric analyses were performed. RESULTS: Three significant correlations were found between the team achievements and the students' learning style preferences: significant negative correlation with 'Structure' and 'Kinesthetic' at the individual level, and positive correlation with the 'Tactile' variable. No significant correlations with students' 'Motivation', 'Persistence', 'Wish to learn alone' and 'Wish for an authoritative person present' were seen. DISCUSSION & CONCLUSION: There were multiple complex interactions between the tested learning style preferences and the team achievements of clinical judgement in the simulation room, which provides important information for the becoming nurses. Several factors may have influenced the results that should be acknowledged when designing further research. We suggest conducting mixed methods to determine further relationships between team achievements, learning style preferences, cognitive learning outcomes and group processes.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».