Game-Based Learning Interventions to Foster Cross-Cultural Care Training: A Scoping Review
Notice bibliographique
Résumé
Objective: Differences in cultural background between health providers and patients can reduce effective access to health services in multicultural settings. Health sciences educators have recently suggested that game-based learning may be effective for cross-cultural care training. This scoping review maps published knowledge on educational games intended to foster cross-cultural care training and highlights the research gaps for future research. Materials and Methods: A scoping review searched PubMed, Eric, Embase, Lilacs, PsycINFO, and Google Scholar for theoretical and empirical research, using terms relevant to cross-cultural care and game-based learning. A participatory research framework engaged senior medical students and participatory research experts in conducting and evaluating the review. Results: Forty-one documents met the inclusion criteria, all from developed countries. The most common source of publication was nursing and medicine (39%; 16/41) and used the cultural competence approach (44%; 18/41). Around one-half of the publications (51%; 21/41) were theoretical and 39% (16/41) were empirical. Empirical studies most commonly used mixed methods (44%; 7/16), followed by strictly quantitative (31%; 5/16) or qualitative (25%; 4/16) approaches. There were no randomized controlled trials and only one study engaged end-users in the design. Empirical studies most frequently assessed role-play-related games (44%; 7/16) and used game evaluation-related outcomes or learning-related outcomes. None used patient-oriented outcomes. Findings suggest that educational games are an effective and engaging educational intervention for cross-cultural care training. Conclusions: The paucity of studies on educational games and cross-cultural care training precludes a systematic review. Future empirical studies should focus on randomized counterfactual designs and patient-related outcomes. We encourage involving end-users in developing content for educational games.
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 | 0,011 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,011 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».