Impact of the applied simulated and integrated learning approach on nursing assistants’ knowledge and confidence caring for frail seniors in nursing homes
Notice bibliographique
Résumé
Increasing importance is being placed on optimizing the role of Nursing Aides (NAs) in improving quality of care for nursing home (NH) residents. One approach to do so is to have NAs participate in assessments embedded within the Minimum Data Set (MDS). This pilot study aimed to design and evaluate the Applied Simulated and Integrated Learning Approach (ASILA) program, a novel innovative training program for NAs employed in NHs to enhance their ability to assess residents within an inter-professional framework. A mixed quantitative and qualitative repeated measures design was used to assess changes in NAs’ knowledge and perception of assessments and resident clinical outcomes. Additionally, focus groups were conducted with NAs upon completion of the ASILA program. A total of 23 NAs and nurses in NHs in two Canadian provinces participated. The ASILA pilot program consisted of three selected modules; each module including an evidence-informed case-scenario, assessments, the use of appropriate MDS tools and documentation, care planing and reporting systems. ASILA was delivered over the course of two days per home. The primary outcome measure focused on the impact of ASILA on NA knowledge and confidence in assessing residents and understanding the relevance and use of elements if the MDS tools. Secondary outcomes included NAs' satisfaction with ASILA and the impact of ASILA on resident clinical outcomes. Data were collected one week prior, immediately after, and three months after the ASILA program. Following ASILA, NAs reported increased knowledge test scores and confidence in assessing residents by using MDS tools, although this did not reach significance after multiple testing (p = 0.0256 and p = 0.1541 respectively). NAs reported more confidence in providing care to residents (77.8%) and felt that the care provided was more resident-centered (83.3%) than before the ASILA program. There were no significant trends in improved resident outcomes following ASILA. Pilot findings indicate that the ASILA program could be a successful approach to support NAs to enhance their ability to assess residents in an inter-professional framework.
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 | 0,000 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».