Piloting Simulations: A Systematic Refinement Strategy
Notice bibliographique
Résumé
Introduction Few approaches articulate a systematic way to address confusing, missing, or underdeveloped simulation design features prior to implementing into coursework. To address this gap, we tested a novel, systematic refinement strategy to improve the design elements of two simulations. Methods Forty eligible participants (Year 3 undergraduate nursing students) evaluated two simulation scenarios (each followed by a debriefing session) through a novel and systematic refinement strategy across five iterations. Each simulation was evaluated using the validated Simulation Design Survey (SDS). Ratings were analyzed using descriptive data. Students also responded to an open-ended question in order to provide qualitative feedback regarding how to improve its features, i.e., scenario design and debriefing components. Written comments by students were analyzed using the principles of qualitative content analysis. Results Descriptive statistics revealed a gradual increase in the mean scores of the SDS over each of the simulation refinement periods. For the first simulation, the SDS mean score reached a high on Day 5 of 4.86 (standard deviation (SD) = 0.14) in contrast to a score of 3.45 (SD = 0.17) on Day 1. For the second simulation, the SDS mean score was 4.75 (SD = 0.16) on Day 5, which represented a mean score increase of 1.01 from the score on Day 1. Conclusions This novel refinement strategy improved the overall design elements of each of the simulations. The potential use of the SDS and open-ended feedback, guided by a refinement approach, merits further investigation.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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) | 0,002 | 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 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 ».