Assessing the Feasibility of Using a Multi-Modal Simulation Approach to Prepare Nurse Practitioners in Primary Health Care
Notice bibliographique
Résumé
Simulation based learning in nursing education provides learners with opportunities to practice real-life experiences. Enhancing the education of nurse practitioners (NPs) with simulation based teaching and learning strategies has not been well investigated. There is limited evidence related to learning outcomes and the use of high fidelity simulation or standardized patients. In an Ontario Primary Health Care Nurse Practitioner (PHCNP) Program, the use of a multi-model simulation learning activity was piloted with a group of NP learners. The learning activity consisted of three scenarios, each representing typical conditions seen in primary health care across the lifespan. Each scenario was carefully developed with consideration of curriculum goals, use of simulation technology or standardized patients, and the role of faculty facilitators. Learners worked in pairs as a team to complete a focused history and physical examination, formulate a diagnosis, and develop a plan of care or action for the patients. Following each of the three scenarios, the learner teams received focused feedback on their performance. A guided group reflection was conducted following the learning activity. The feedback from the learners was positive, with a recommendation to include similar learning opportunities earlier in the NP curriculum. The learners valued the active learning process, including peer collaboration and group debriefing. Although the findings from this pilot included a small group of learners, there are valuable considerations for nursing faculty teaching in NP programs with a primary health care focus.
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 | 0,022 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».