Exploring Key Factors Influencing Nursing Students’ Cognitive Load and Willingness to Serve Older Adults: Cross-sectional Descriptive Correlational Study
Notice bibliographique
Résumé
Background Virtual learning environments (VLEs) use a virtual environment to support learning activities. VLEs are commonly used to overcome the temporal and spatial restrictions of learning activities held in conventional face-to-face classrooms. In VLEs, students can participate in learning activities using the internet, and teachers can provide assistive learning tools during the process. Objective The purpose of this study was to investigate the relationships among nursing students’ mental load, cognitive load, and affective learning outcomes in terms of their willingness to serve older adults in an interaction-based educational virtual reality (VR) learning environment. Methods This study used a cross-sectional method. A total of 130 students participated in interaction-based VR learning and completed related questionnaires. Descriptive and inferential statistics and stepwise regression for data analysis were used. Results The research results revealed that in the dimension of willingness to use VR learning materials, perceived usefulness received the highest score (mean 4.42, SD 0.45). In the dimension of nursing ability, students scored the highest in information management and application ability to care for case patients (mean 4.35, SD 0.54). Correlation analysis revealed that cognitive load during learning and willingness to serve older adults were negatively correlated, whereas willingness to use VR learning materials was positively correlated with nursing ability and willingness to serve older adults. Analyzing the regression coefficients of predictor variables revealed that willingness to use VR learning materials (β=.23; t2=2.89, P=.005) and cognitive load during learning (β=–.35; t2=–.4.30, P<.001) were predictive factors of nursing students’ willingness to serve older adults. Conclusions This study demonstrated that students’ willingness to use VR learning materials and their cognitive load during learning affected their willingness to care for older adults. Therefore, the components of mental or cognitive load generate inconsistent predictive effects on affective variables and willingness to serve older adults.
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 | 0,001 | 0,000 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».