Learn Where You Live, Teach From a Distance: Choosing the Best Technology for Distributed Nursing Education
Notice bibliographique
Résumé
Rural and remote communities within the Circumpolar World have been challenged to provide on-site opportunities for post-secondary education due to geographical barriers and a lack of available resources. Distributed learning is defined as the separation of time and/or space in teaching and learning and therefore offers possibilities that can be tailored for programs, faculty, and individual students. Distributed learning not only mitigates geographical and resource challenges but, most importantly, it provides learning experiences that are context relevant. The intent of this report is to illustrate how one western Canadian nursing education program has moved beyond traditional methods of educational distance delivery to include a more learner-centred approach. The ”learn where you live” program was developed to provide accessible, quality undergraduate nursing education to northern rural and remote communities. This novel educational approach supports the educator to be in two places at one time in a synchronous, face-to-face delivery in which students are taught from a distance rather than having to relocate. This approach to nursing education is based on the premise that it is the educator and not the student who is remotely situated. The authors advise that there is no normative preference for a particular type of technology. Best practices are evolving through circumpolar collaborative partnerships in northern nursing education. This report is part of a special collection from members of the University of the Arctic Thematic Network on Northern Nursing Education. The collection explores models of decentralized and distributed university-level nursing education across the Circumpolar North.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 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 ».