Becoming a web‐based learner: registered nurses’ experiences
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
AIMS: The purpose of the study was to describe Registered Nurses' experiences when taking a web-based course from either the workplace or home, and the impact of their learning on clinical practice. RATIONALE: Little is known about the web-based learners' experience, particularly when courses are accessed from the nursing practice setting. Even less is known about whether nurses transfer their web-based learning to clinical practice. METHODS: A qualitative design employing focus group interviews was used. Participants included hospital and community nurses from three Canadian provinces and one territory. Data were collected at three points over a 6-month period and analysed using a thematic analysis process. These findings emanate from a larger study using survey method and focus group interviews. RESULTS: The focus group interviews captured the hurdles nurses faced during the first weeks when they struggled with technology, re-framed their views of teaching and adjusted to web-based learning from home and work. These first stressful weeks were followed by a period during which nurses developed relationships with the teacher and peers that enabled them to focus on learning and prevented attrition. Most nurses reported the web course was convenient and that they would be interested and comfortable using technology for learning and work purposes in the future. Six weeks after the course was completed, nurses articulated a number of ways the course had improved their practice. CONCLUSION: Initial weeks in a web-based course can be very challenging for novice Internet users, however, most nurses who completed the course reported a positive learning experience. Nurses, employers and educators should evaluate computer skills, computer access and the learning environment when preparing for web-based learning.
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 | 0,001 |
| 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 | 0,001 | 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 découle