Immersive learning in nursing education: Results of a study
Notice bibliographique
Résumé
Objective: This study evaluated the effectiveness of an immersive teaching and learning approach for undergraduate nurses. Traditional classroom tutorials were combined with self-directed learning using LabTutor™, an online learning platform, and clinical nursing simulation using high fidelity manikins. Learning modules were designed to link the student’s knowledge and understanding of biosceince with clinical assessment and nursing management in order to develop clinical decision-making skills. It was anticipated that students’ learning experience would be enhanced by the higher level of realism that is possible using the sophisticated manikins and authentic patient clinical data and case notes provided in LabTutor™.Methods: The study took place in a New Zealand School of Nursing in 2014. Qualitative data was gathered using focus groups and an external facilitator. Quantitative data was gathered using an online survey.Results: Participants were second year undergraduate nursing students (N = 111): 71 (64%) interviewees, and 82 (73%) survey respondents. Qualitative data showed that the immersive learning process was effective. Quantitative data affirmed that immersive learning was liked, confidence improved, students enjoyed the process, and would recommend it to others. Using simulation and patient case studies were preferred teaching strategies. Performing experiments, and using digital LabTutor™ technology challenged many, but skills improved over the year.Conclusions: The immersive learning approach was effective. However, despite the high level of authenticity made possible by using high fidelity manikins, realism was hard to establish. An unexpected learning outcome occurred when intermittent technology malfunction prompted students to use problem-solving skills.
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 | 0,002 | 0,007 |
| 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 ».