A scoping review of the integration of ethics education in undergraduate nursing high‐fidelity human simulation‐based learning
Notice bibliographique
Résumé
AIMS AND OBJECTIVES: To systematically assemble, examine and map the extant literature pertaining to the integration of ethics education in high-fidelity simulation-based learning experiences in nursing undergraduate programmes. BACKGROUND: The value of ethics education for undergraduate nursing students is well established in the literature. Whether high-fidelity human simulation (HFHS) supports the development of ethical reasoning or positively impacts the acquisition of ethical knowledge and reasoning skills in undergraduate nursing students is inconsistently addressed. DESIGN: A scoping review was conducted using the Arksey and O'Malley framework. METHOD: CINAHL, ProQuest Nursing & Allied Health Source, ProQuest Dissertations & Theses A&I, MEDLINE, Web of Science, ERIC, Scopus, PsycINFO, and the Joanna Briggs Institute EBP databases were searched for English-language manuscripts published between 2012 and 2020. The PRISMA-ScR was used. RESULTS: Eight papers that met the inclusion criteria were extracted for this review. Three broad categories were identified: the 'what' in ethics education, the 'how' of ethics education and the 'when' of ethics education in high-fidelity human simulation. CONCLUSION: The integration of ethics education into simulation-based learning has the potential to positively promote nursing students' ability to develop knowledge of and skills in ethical practice. However, the inclusion of ethics education scenarios in HFHS is a relative new teaching innovation in undergraduate nursing education. As such, there continues to be no consensus on the 'what', 'how' or 'when' of ethics education for best practice in ethics education for undergraduate nursing programmes. RELEVANCE TO CLINICAL PRACTICE: Quality improvement processes and research studies are needed to determine: the types of ethical dilemmas and debriefing sessions and optimal timing of HFHS ethics simulation in undergraduate nursing education, student support needed for running HFHS, and the learning needs of nurse educators seeking to incorporate ethics within HFHS.
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 | 0,006 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».