Multilevel perspectives in clinical learning environments' assessment: An insight on levels involved in planning nursing education
Notice bibliographique
Résumé
Background: Clinical learning in nursing education is workplace-based and it involves both learning and organizational factors. Students could experience these factors both at individual and at group level. This study aimed to assess clinical learning environment as a multilevel phenomenon, by grouping students’ perceptions at different organizational levels. Method: A cross-sectional multilevel design has been conducted. 3 Italian Universities, 6 Hospitals and 73 wards have been involved in the study during 2013. Wards with at least 3 attending nursing students have been included. The sample involved 597 nursing students (average age 23.1 years, SD = 4.67 years; 72.6% females; 27.2% attending first year; 31.7% second year; 41.1% third year). Clinical Learning Environment and Supervision plus Nurse teacher ( CLES+T ) scale has been administered. Intraclass Correlation Coefficients (ICC) have been estimated at ward, at hospital and at University level. Results: All ICCs scores were above 0.10 and they indicated clinical learning environment as a multilevel phenomenon. The most pertinent level to multilevel research was the ward level. The nurse teacher scale was pertinent to Hospital and University level. Conclusions: Clinical learning environment is a multilevel phenomenon. These findings could enhance research develop ment in this field of studies. Practical implications suggest multilevel approach in order to detect the most effective organizational level to improve educational intervention.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,003 |
| 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 ».