Maximising sensory learning through immersive education
Notice bibliographique
Résumé
The use of simulated learning in nurse education is not new and much has been written regarding various approaches to using low, medium and high-fidelity approaches. Reality or fidelity is important in terms of creating quality learning using simulation; however, within the literature there is a strong focus on the use of computerised mannequins, rather than on the environment in which the simulation occurs. It is accepted that scenarios on which simulation is based should represent the reality of the clinical world, where students are enabled to learn through active participation in situation which they will likely encounter in the real world. Nurses retrieve information from patients using all of their senses; indeed nursing text books advocate the use of a multi-sensory approach to assessment. Using the senses is often highlighted as part of active learning reinforcing the need for seeing, noticing and observing as a central principle; however other senses may be just as important in terms of active learning. Educators need to determine which aspects of clinical simulation are most important for learning. For example, are motor, cognitive and sensory aspects of equal importance? This paper describes the emerging technology enabling educators to introduce a range of sensory learning stimuli, for example, the use of smell as a clinical indicator and sophisticated suits which provide the wearer with tactile feedback. We go on to consider the potential value of such mechanisms to learning through simulation. Normal 0 false false false EN-GB X-NONE X-NONE
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 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 | 0,004 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».