MétaCan
Menu
Retour à la cohorte
Enregistrement W4315748408 · doi:10.2196/44101

A Technology-Supported Guidance Model to Increase the Flexibility, Quality, and Efficiency of Nursing Education in Clinical Practice in Norway: Development Study of the TOPP-N Application Prototype

2023· article· en· W4315748408 sur OpenAlexvenueno aff
Andréa Aparecida Gonçalves Nes, Jaroslav Zlámal, Silje Christin Wang Linnerud, Simen A. Steindal, Marianne Trygg Solberg

Notice bibliographique

RevueJMIR Human Factors · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensnon disponible
Organismes subventionnairesUniversitetet i AgderLovisenberg Diakonale Høgskole
Mots-clésNursingNurse educationCompetence (human resources)Flexibility (engineering)Quality (philosophy)MedicineMedical educationPsychology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The challenges of nursing shortage in the nursing profession and of limited nursing educational capacity in nursing education in clinical practice need to be addressed to ensure supply according to the demand of these professionals. In addition, communication problems among nursing students, nurse educators, and nurse preceptors; variations in the guidance competence of nurse preceptors; and limited overview from nurse educators on nursing students' clinical practice are common challenges reported in several research studies. These challenges affect the quality of nursing education in clinical practice, and even though these problems have been highlighted for several years, a recent study showed that these problems are increasing. Thus, an approach is required to ensure the quality of nursing education in clinical practice. OBJECTIVE: We aimed to develop a guidance and assessment application to meet the challenges reported in clinical practice. The application intended to increase the flexibility, quality, and efficiency of nursing education in clinical practice. Furthermore, it intended to increase interactive communication that supports guidance and ensure structured evaluation of nursing students in clinical practice. METHODS: This study employed a multidisciplinary user-participatory design. Overall, 23 stakeholders from the project team (ie, 5 researchers, 2 software developers, 1 pedagogical advisor, and 15 user representatives [4 educators, 6 preceptors, and 5 students]) participated in a user-centered development process that included workshops, intervention content development, and prototype testing. RESULTS: This study resulted in the creation of the Technology-Optimized Practice Process in Nursing (TOPP-N) guidance and assessment application for use as a supportive tool for nursing students, nurse preceptors, and nurse educators in clinical practice. The development process included the application's name and logo, technical architecture, guidance and assessment module, and security and privacy. CONCLUSIONS: This study offers insights into the development of an evidence-based technological tool to support nursing students, nurse preceptors, and nurse educators in clinical practice. Furthermore, the developed application has the potential to meet several challenges reported in nursing education in clinical practice. After a rigorous development process, we believe that the TOPP-N guidance and assessment application prototype is now ready to be tested in further intervention studies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,295

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,172
Tête enseignante GPT0,545
Écart entre enseignants0,373 · 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 tête enseignante, pas un consensus.

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

Citations23
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Human FactorsMême sujetSimulation-Based Education in HealthcareTravaux en français237 207