L’apprentissage du raisonnement clinique infirmier par une stratégie éducative numérique basée sur la concordance de scripts
Notice bibliographique
Résumé
Cette thèse doctorale porte sur l’apprentissage du raisonnement clinique infirmier (RCI) par une stratégie éducative numérique qui s’appuie sur la notion de la concordance de scripts. Elle repose sur un devis de recherche multiméthode visant le développement, la mise à l’essai et l’évaluation de la stratégie éducative auprès d’étudiants au premier cycle de formation universitaire en sciences infirmières à l’Université de Montréal. La thèse, qui comporte cinq chapitres, est rédigée selon le mode de présentation par articles. L’étude a été orientée par un cadre de référence incluant la théorie des scripts relevant des sciences cognitives de l’apprentissage et l’approche pédagogique de compagnonnage cognitif. Un devis de recherche multiméthode intégrant un devis de recherche-développement, une étude descriptive qualitative et une étude de cas multiples a été privilégié. Des experts collaborateurs (n = 5), des experts-panélistes (n = 12) et des étudiants (n = 45) ont participé à l’étude. Les résultats montrent que l’approche de recherche-développement a contribué à bonifier l’élaboration de la stratégie éducative numérique basée sur la concordance de scripts (SENBCS) et à assurer sa validation. Globalement, les étudiants ont apprécié la SENBCS, notamment la rétroaction variée et formative d’experts et l’opportunité d’apprendre la priorisation des hypothèses infirmières. L’intégration d’un devis descriptif a soutenu l’identification des stratégies d’apprentissage chez les étudiants lors de l’utilisation de la SENBCS. Les résultats montrent que les étudiants ont sollicité certaines stratégies d’apprentissage cognitives de traitement et d’exécution des données ainsi que des stratégies métacognitives d’autorégulation. Les résultats de l’étude de cas multiples montrent que les étudiants mettent en évidence certains processus cognitifs du RCI, à l’aide des vignettes du test de concordance de scripts (TCS) et de la pensée à voix haute, notamment : la représentation précoce d’une situation clinique, la transformation sémantique des données et la confrontation d’hypothèses. La SENBCS améliore la visibilité des savoirs d’experts, lesquels sont absents dans une classe traditionnelle ou même en stage clinique. Cela constitue une avancée certaine que de considérer l’apport des stratégies éducatives numériques dans les programmes de formation universitaire en sciences infirmières ou dans d’autres programmes pour soutenir le développement du raisonnement clinique. L’étude a permis de mettre à profit une riche documentation scientifique entourant l’élaboration de la SENBCS. Les résultats informent au regard de son utilisation efficiente afin qu’elle soit complémentaire à d’autres stratégies éducatives pour soutenir plus globalement la complexité de l’apprentissage du RCI. Des retombées pour les cinq domaines de la pratique infirmière sont générées par cette étude, elles offrent certaines pistes qui pourraient favoriser l’apprentissage du RCI. L’une d’elles vise à favoriser l’articulation des connaissances et de solliciter fréquemment des microjugements pour confronter et différencier des hypothèses relevant de l’incertitude de la pratique clinique, sous-entendant des apprentissages par couches successives.
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 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».