Global Trends and Hot-Spots in Research on Virtual Simulation in Nursing: A Bibliometric Analysis From 1999 to 2021
Notice bibliographique
Résumé
Background: Virtual simulation has been widely used in nursing education and nursing training. This study aims to characterize the publications in terms of countries, institutions, journals, authors, collaboration relationships, and analyze the trends of virtual simulation in nursing research. Methods: Publications regarding virtual simulation in nursing were retrieved from Web of Science core collection. Microsoft Excel 2010, VOSviewer were used to characterize the contributions of the authors, journals, institutions, and countries. The trends, hot-spots and knowledge network were analyzed by Citespace and VOSviewer. Results: We identified 677 papers between 1999 and 2021. The number of publications grew slowly until 2019, after that, it got a sharp increase in 2020 and 2021. The USA, Canada and Australia were three key contributors to this field. Centennial College and University of San Paulo, University of Ottawa and Ryerson University were top major institutions with a larger number of publications. Verkuyl M was the most productive and highest cited author. Clinical Simulation in Nursing, Nurse Education Today, Journal of Nursing Education were the three productive journals. The foundational themes of virtual simulation research in nursing are "virtual learning during COVID-19, clinical nursing care, education in nurse practitioners, education technology". Conclusion: Virtual simulation in nursing field has attracted considerable attention during COVID-19 pandemic. The research hotspot is gradually shifting from clinical nursing care to studies of nursing education using different virtual simulation technologies.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,159 | 0,330 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».