Use of simulation-based learning in Japanese undergraduate nursing education: National survey results
Notice bibliographique
Résumé
Introduction: Simulation-based learning (SBL) is a practical and efficient learning method that involves the replacement of a portion of clinical education with quality simulation experiences. It has been utilised in various countries, such as the United States, Canada, and South Korea. However, based on current regulations in Japan, clinical education cannot be replaced with simulation experience. For future curriculum integration, it is necessary to clarify the current use of SBL and tackle systematic educational strategies of SBL. Therefore, this national survey aimed to clarify the prevalence and practices of SBL in undergraduate nursing education programs in Japan. Methods: This article presents the results of our national survey in Japan. It presents the questionnaire based on the International Nursing Association for Clinical Simulation and Learning Standards of Best Practice and demonstrates the use of simulation-based learning in Japanese undergraduate nursing programs. Results: Overall, the schools using simulation-based education (SBE) comprised 346 schools (82.4%) of the sample. Those equipped with high-fidelity simulators were 146 schools (27.6%); the rest owned medium-fidelity simulators. Almost all undergraduate nursing education systems were equipped with simulators, however, the frequency of use was low. SBL was incorporated into the curriculum at many undergraduate nursing education institutions, and awareness of the INACSL Standard of Best Practice: SimulationSM was extremely low. Conclusion: This study shows that SBL is not properly utilised in undergraduate nursing programs, even though many schools are equipped with simulators. Thus, further study on barriers to simulator use is needed.
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 | 0,002 | 0,010 |
| 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 | 0,001 |
| 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 ».