MétaCan
Menu
Retour à la cohorte
Enregistrement W2974389250 · doi:10.1177/0844562119873760

Student’s Experiences on Learning Therapeutic Relationship: A Narrative Inquiry

2019· article· en· W2974389250 sur OpenAlexaffvenue
Ping Zou, Yan Luo, Kathren Krolak, Jiale Hu, Lichun W. Liu, Yanxia Lin, Winnie Sun

Notice bibliographique

RevueCanadian Journal of Nursing Research · 2019
Typearticle
Langueen
DomaineNursing
ThématiqueNursing education and management
Établissements canadiensOntario Tech UniversityUniversity of TorontoUniversity of OttawaNipissing University
Organismes subventionnairesnon disponible
Mots-clésSummative assessmentNarrativeReflection (computer programming)Narrative inquiryCurriculumPsychologyPedagogyMathematics educationFormative assessmentComputer science

Résumé

récupéré en direct d'OpenAlex

Despite the importance of the therapeutic relationship on nursing practice, the literature regarding teaching and learning therapeutic relationship is limited. This paper discussed how an undergraduate nursing student learned therapeutic relationship in an acute care setting. Narrative inquiry was applied as a research methodology. The student's reflection served as the narrative in this paper. Collaboratively, researchers conducted data analysis, common themes were drawn, and a summative narrative was presented. Based on the student's narrative, a three-dimensional model, including practical knowledge, theory, and reflection, has been created as our summative narrative. This model suggests that, to facilitate a learning process on creating therapeutic nurse-patient relationship, practical knowledge is the foundation, theory is a leading guide, and constant reflection is a learning tool which transforms learning into a reflective and meaningful experience. To promote learning on therapeutic relationship, nurse educators should emphasize the importance of both practical knowledge and theory. Constant reflection as a learning tool should be encouraged and embedded in nursing curriculum. Diverse approaches of reflection should be promoted.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,019
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0070,008
Communication savante0,0080,007
Science ouverte0,0020,009
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,183
Tête enseignante GPT0,478
Écart entre enseignants0,295 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Nursing ResearchMême sujetNursing education and managementTravaux en français237 207