Mobile Virtual Learning Object for the Assessment of Acute Pain as a Learning Tool to Assess Acute Pain in Nursing: An Analysis of the Mental Workload
Notice bibliographique
Résumé
BACKGROUND: The inclusion of new technologies in education has motivated the development of studies on mental workload. These technologies are now being used in the teaching and learning process. The analysis enables identification of factors intervening in this workload as well as planning of overload prevention for educational activities using these technologies. OBJECTIVE: To analyze the mental workload of an educational intervention with the Mobile Virtual Learning Object for the Assessment of Acute Pain in adults and newborns, according to the NASA Task Load Index criteria. METHODS: A methodological study with data collected from 5 nurses and 75 students, from November of 2013 to February of 2014. RESULTS: The highest students' and specialists' means were in the dimensions of "Mental demand" (57.20 ± 22.27; 51 ± 29.45) and "Performance" (58.47 ± 24.19; 73 ± 28.85). The specialists' mental workload index was higher (50.20 ± 7.28) when compared with students' (47.87 ± 16.85) on a scale from 0 to 100 (P=.557). CONCLUSIONS: The instrument allowed for the assessment of mental workload after an online educational intervention with a mobile learning virtual object. An excessive overload was not identified among participants. Assessing mental workload from the use of educational technologies at the end of a task is a key to their applicability, with the aim of providing a more effective, stimulating, and long-lasting experience of the learning process.
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 | 0,009 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».