MétaCan
Menu
Retour à la cohorte
Enregistrement W4309191756 · doi:10.1016/j.nedt.2022.105634

Students and simulation facilitators' experiences and perceptions of a distraction and interruption simulation: a mixed-methods study

2022· article· en· W4309191756 sur OpenAlexafffundabout
Lorelli Nowell, Carla Ferreira, Swati Dhingra, Kathleen Davidson, Patricia Morgan, Cynthia M. Thomas

Notice bibliographique

RevueNurse Education Today · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensUniversity of Calgary
Organismes subventionnairesUniversity of Calgary
Mots-clésDebriefingDistractionFocus groupPerceptionMedical educationPatient safetyPsychologyQualitative researchQualitative propertyNursingMedicineComputer scienceHealth care

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: While distractions and interruptions are leading causes of errors during medication preparation, most nursing students are not taught how to manage distractions in a highly-interruptive environment. To help prepare nursing students to manage distractions and interruptions in clinical practice, we developed, implemented, and evaluated a medication preparation distraction and interruption simulation. OBJECTIVES: To explore student and simulation facilitators experiences and perceptions of a distraction and interruption simulation. DESIGN: A sequential explanatory mixed-methods design was adopted including surveys, interviews, and focus groups. SETTING: A mid-sized research intensive western Canadian university. PARTICIPANTS: A total of 112 third year nursing students who engaged in the distraction and interruption simulation, and five simulation facilitators who facilitated the distraction and interruption simulation, participated in this study. METHODS: Students were invited to complete a cross sectional survey following the distraction and interruption simulation and were then invited to participate in focus groups. Simulation facilitators were invited to participate in one-on-one interviews following facilitating the distraction and interruption simulation. All data were collected between June and December 2020. RESULTS: Data from surveys, interviews, and focus groups were delineated into 4 themes related to the phases of the simulation. The prebriefing provided an overview of the simulation and helped create psychological safety that was imperative for learning about potential medication errors when being distracted and interrupted. The simulation scenario had a high degree of fidelity and helped students implement strategies to manage distractions and interruptions. The structured debrief provided an opportunity for meaningful reflection. The impact of the simulation was apparent as students articulated the balance between speed versus safety and new strategies developed to manage distractions and interruptions in clinical practice. CONCLUSION: This study supports the use of simulation to develop key skills for managing distractions and interruptions during medication preparation in clinical practice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,073

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,018
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0030,002
Communication savante0,0030,002
Science ouverte0,0010,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,497
Écart entre enseignants0,455 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueNurse Education TodayMême sujetSimulation-Based Education in HealthcareTravaux en français237 207