MétaCan
Menu
Retour à la cohorte
Enregistrement W2984557443 · doi:10.1097/nne.0000000000000755

Usefulness of Abductive Reasoning in Nursing Education

2019· article· en· W2984557443 sur OpenAlexaff
Noeman Mirza, Noori Akhtar‐Danesh, Charlotte Noesgaard, Lynn Martin, Carolyn Byrne

Notice bibliographique

RevueNurse Educator · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical Reasoning and Diagnostic Skills
Établissements canadiensThompson Rivers University
Organismes subventionnairesnon disponible
Mots-clésAbductive reasoningPsychologyDeductive reasoningMedical educationMedicineComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Hypothetico-deductive reasoning used by novice nurses could limit their ability to explain a presenting care situation in its entirety. Hence, scholars recommend the use of abductive reasoning as an alternative approach. PURPOSE: This study explored the effects of abductive reasoning training on baccalaureate nursing students' hypothesis generation abilities. METHOD: Through a pretest-posttest study, we delivered educational training on abductive reasoning and examined hypothesis accuracy, expertise, and breadth. Participants generated scenario-specific hypotheses before and after the training. Academic content experts validated the scenarios, and 2 independent raters scored participants' hypotheses. RESULTS: Twenty first- and second-year nursing students participated in this pilot study. Posttest scores showed a significant improvement in participants' hypothesis generation abilities: accuracy (P < .001), expertise (P < .001), and breadth (P = .006). CONCLUSION: Abductive reasoning training in nursing education may improve students' hypothesis generation abilities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,007
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,080
Score d'incertitude au seuil0,850

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,016
Tête enseignante GPT0,369
Écart entre enseignants0,353 · 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 tête enseignante, pas un consensus.

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

Citations4
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNurse EducatorMême sujetClinical Reasoning and Diagnostic SkillsTravaux en français237 207