A Virtual, Simulated Code White for Undergraduate Nursing Students
Notice bibliographique
Résumé
BACKGROUND: Nurses and nursing students are increasingly vulnerable to workplace violence, both verbal and physical, as health care settings and clients cope with unprecedented challenges including the COVID-19 pandemic. Concurrently, clinical learning opportunities for nursing students have been curtailed by public health restrictions and limited capacity. While virtual simulations have been promoted as an alternative to clinical hours, their effectiveness as an educational intervention on workplace violence has yet to be assessed. PURPOSE: The authors sought to evaluate a virtual, simulated code white-a set of organized responses to a client, visitor, or staff member exhibiting the potential for violence-involving 4th year undergraduate nursing students, randomly sorted into an intervention group and a control group. METHODS: Pre and post test measures of knowledge and attitudes about mental health, workplace violence and virtual simulation were collected, as well as qualitative data from focus groups. FINDINGS: While the sample size (n = 24) was insufficient to detect meaningful differences between the intervention and control groups, descriptive statistics and focus group data revealed significant gaps in participants' knowledge around managing workplace violence. Participants rated the virtual simulation highly for its realism and the opportunity to experience working in a virtual environment, while they felt the preamble and debrief were too short. CONCLUSIONS: The findings illustrate a virtual code white simulation has clear educational benefits, and that multiple iterations, both virtual and in person, would most likely increase the benefits of the intervention.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».