MétaCan
Menu
Retour à la cohorte
Enregistrement W3138796342 · doi:10.1515/ijnes-2020-0081

Gamification in nursing literature: an integrative review

2021· review· en· W3138796342 sur OpenAlexaff
Upinder Sarker, Heather Kanuka, Colleen M. Norris, Christy Raymond, Olive Yonge, Sandra Davidson

Notice bibliographique

RevueInternational Journal of Nursing Education Scholarship · 2021
Typereview
Langueen
DomainePsychology
ThématiqueEducational Games and Gamification
Établissements canadiensUniversity of CalgaryUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésConceptualizationConstruct (python library)Nursing literaturePsychologyNursingMedical educationMedicineAlternative medicineComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract Objective Gamification is an increasingly popular instructional strategy in nursing. The purpose of this integrative review is to explore gamification as it has been applied in nursing literature. This integrative review seeks to ask the question – What aspects of gamification have been explored in nursing literature and what aspects require further exploration? Method Whittemore, R., & Knafl, K. (2005). The integrative review: Updated methodology. Methodological Issues in Nursing Research , 52(5), 546–553 integrative review framework guided this review. Seventeen articles were reviewed and a quality appraisal tool (developed by Hawker, S., Payne, S., Kerr, C., Hardey, M., & Powell, J. (2002). Appraising the evidence: Reviewing disparate data systematically. Qualitative Health Research , 12(9), 1284–1299) was also used to evaluate the articles. Results Following the data analysis stage outlined in Whittemore and Knafl’s integrative review framework, six themes emerged: construct conceptualization; relationship between engagement, satisfaction, and knowledge retention; knowledge translation, motivation, role of technology, and gamification elements. Conclusion Gamification is of interest to the nursing profession. More study is needed to better ascertain the relationship between gamification and several of the main themes identified in this review.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,965
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,128
Tête enseignante GPT0,546
Écart entre enseignants0,419 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Nursing Education ScholarshipMême sujetEducational Games and GamificationTravaux en français237 207