Undergraduate nursing simulation facilitators lived experience of facilitating reflection-in-action during high-fidelity simulation: A phenomenological study
Notice bibliographique
Résumé
BACKGROUND: Reflective practice is an essential step to learning in high-fidelity simulation, yet, reflection-in-action is an often overlooked yet important opportunity to support student learning. OBJECTIVES: To explore and describe the lived experience of undergraduate nursing simulation facilitators use of reflection-in-action during high-fidelity simulation. DESIGN: A descriptive phenomenological study. SETTING: A western Canadian province. PARTICIPANTS: Undergraduate nursing simulation facilitators with experience in nursing education and simulation facilitation. METHODS: We conducted 11 semi-structured interviews and utilized Colaizzi's seven step process of analysis to discover the essence of undergraduate nursing simulation facilitators use of reflection-in-action during high-fidelity simulation. RESULTS: Simulation facilitators were able to identify reflection-in-action during high-fidelity simulation when students paused, collaborated, shared their thinking aloud, and changed their course of action. Barriers to reflection-in-action included learner fear and anxiety, poor simulation design, and inadequately prepared students and facilitators. Simulation facilitators supported reflection-in-action through prebriefing, facilitator curiosity, and providing cue, prompts, and facilitated paused. Some of the noted benefits to reflection-in-action include promoting collaborative learning, building confidence and critical thinking, and embedding reflection into practice. CONCLUSIONS: The insights from this research can be used to guide reflection-in-action strategy development and future research in high-fidelity simulation.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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 ».