Participant Perspectives on the Contributions of Physical, Psychological, and Sociological Fidelity to Learning in Interprofessional Mental Health Simulation
Notice bibliographique
Résumé
INTRODUCTION: Simulation has been identified as a key training modality to enhance interprofessional care for patients with co-occurring physical and mental illnesses. Fidelity is an important instructional design consideration for interprofessional simulation; however, research examining the contribution of physical, psychological, and sociological fidelity in achieving learning outcomes remains limited. This qualitative study explored the relationship between fidelity and learning from the perspective of interprofessional simulation course participants. METHODS: Semistructured interviews were conducted with participants from the Interprofessional Simulations of Patient Experiences Across the Care Continuum - Child and Youth course. Consistent with grounded theory, data collection and analysis proceeded in an iterative fashion and emergent themes were identified by the research team through a process of constant comparative analysis. RESULTS: Data saturation was reached after 10 interviews. High psychological fidelity allowed participants to engage in the simulation scenarios in ways that were congruent with their professional roles, which supported individual practice change. Tasks that were too closely aligned with their clinical experiences sometimes, however, limited new learning opportunities. Selective manipulations of sociological fidelity seemed to support learning outcomes related to understanding and appreciating the roles and responsibilities of other health professionals. Physical fidelity was less essential. CONCLUSIONS: Psychological and sociological fidelity were perceived by participants as being most critical to learning in interprofessional mental health simulation. Improving our understanding of how simulation works in this context is important to effectively direct the efforts of learners, instructors, and designers toward maximizing the benefit of simulation-based learning in a cost-efficient manner.
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 | 0,015 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».