Mentoring non-traditional students in clinical practicums: Building on strengths
Notice bibliographique
Résumé
Background: As nurse educators respond to increasing numbers of adult learners attending practicum experiences, clinical instructors are one of our richest resources. And yet, the everyday strategies they implement to mentor these non-traditional students towards success may go unnoticed. This article describes findings from a qualitative descriptive research study that listened to the voices of experienced clinical instructors.Objective: The objective of the study was to describe effective mentoring approaches that instructors in a Post Licensed Practical Nurse to Bachelor of Nursing (Post LPN to BN) program used to support students’ learning and build on their strengths during instructor led clinical practicum courses.Methods: The research was framed from a constructivist worldview and Laurent Daloz’s mentoring model. Digitally recorded and transcribed interview data was collected from 10 clinical instructors who had been teaching for more than 5 years. The transcripts were analyzed for themes which were confirmed with participants through member checking.Results: Findings revealed that instructors supported students by validating individual strengths; challenged them by building on those strengths; and created vision by linking their present activities to competencies needed in their own future practice.Conclusions: These findings provide valuable insights and guidance to practicing Registered Nurses (RN’s) interested in teaching non-traditional students during their clinical experiences.
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 | 0,020 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».