Technology usage for teaching and learning in nursing education: An integrative review
Notice bibliographique
Résumé
BACKGROUND: The increasing availability of technology devices or portable digital assistant devices continues to change the teaching-learning landscape, including technology-supported learning. Portable digital assistants and technology usage have become an integral part of teaching and learning nowadays. Cloud computing, which includes YouTube, Google Apps, Dropbox and Twitter, has become the reality of today's teaching and learning and has noticeably improved higher education, including nursing education. OBJECTIVES: The aim of this integrative literature review was to explore and describe technology usage for teaching and learning in nursing education. METHOD: A five-step integrative review framework by Whittemore and Knafl was used to attain the objective of this study. The authors searched for both empirical and non-empirical articles from EBSCOhost (health information source and health science), ScienceDirect and African Journals Online Library databases to establish what is already known about the keywords. Key terms included in literature search were coronavirus disease 2019 (COVID-19), digital learning, online learning, nursing, teaching and learning, and technology use. RESULTS: Nineteen articles were selected for analysis. The themes that emerged from this review were (1) technology use in nursing education, (2) the manner in which technology is used in nursing education, (3) antecedents for technology use in nursing education, (4) advantages of technology use in nursing education, (5) disadvantages of technology use in nursing education and (6) technology use in nursing education amidst COVID-19. CONCLUSION: Technology in nursing education is used in both clinical and classroom teaching to complement learning. However, there is still a gap in its acceptance despite its upward trend.Contribution: The findings of this study contribute to the body of knowledge on the phenomenon of technology use for teaching and learning in nursing education.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».