Mapping Trends and Hot-spots of Virtual Simulation Research in Nursing: A Bibliometric Analysis
Notice bibliographique
Résumé
Abstract 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 611 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, University of Ottawa, and Ryerson University were three 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. "virtual patients," "nursing students," "clinical simulation," and "communication skills" were the frontier topics in recent years.Conclusion: Using the Virtual patients to train nursing students, developing more reliable and objective assessment methods to validate learning outcomes might be the recent and future hot-topics.
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 | 0,009 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,130 | 0,174 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».