How do practically trained (student) caregivers in nursing homes learn? A scoping review
Notice bibliographique
Résumé
Background and objective: Practically trained (student) caregivers (further: caregivers) make up the majority of care staff in nursing homes (NHs). To keep up with the fast-changing healthcare environment and ensure a high quality of care, it is important to know how to stimulate continuous work-based learning (WBL) among this group. The purpose of the study was to systematically study the scientific literature published to date on (1) how caregivers learn in NHs and (2) what facilitates or impedes their learning.Methods: A scoping review was carried out, systematically searching six scientific databases. A total of 35 studies published from January 2009 to February 2021 were included. Study characteristics, learning mechanisms, facilitators, and barriers to learning were extracted and synthesized.Results: None of the studies specifically focused on how caregivers learn. Yet, we identified various learning mechanisms, and found that learning by theory or supervision was most frequently engaged in. Most learning mechanisms used among the groups in the included studies were planned and formal and developed and initiated by others out of the context. Three main themes were identified among the facilitators and barriers of WBL: individual learning, collective learning, and resources for learning. An interdependency between (sub)themes was found.Conclusions: The way caregivers in NHs learn is understudied. Moreover, both their informal learning and the support they receive to be(come) active learners has been overlooked. As WBL provides caregivers with opportunities to learn within a real-life setting, we suggest more research on informal learning mechanisms.
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 | 0,023 | 0,108 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,016 | 0,018 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».