Utilisation de la vidéo 360 interactive pour la formation par simulation clinique en santé : Potentiels, limites et enjeux dans le cadre de la formation en soins infirmiers
Notice bibliographique
Résumé
Le gouvernement du Québec a investi dans une offensive de transformation numérique. Elle vise à accélérer le virage technologique de plusieurs secteurs d’activités incluant celui de l’enseignement. Pour les universités, cette décision se traduit par un rehaussement de l’intégration pédagogique des technologies de l’information et des communications (TIC). D’ailleurs, dans plusieurs cas, ces TIC rejoignent les personnes dans leur manière d’apprendre. Parmi ces nouvelles méthodes pédagogiques, nous retrouvons la simulation clinique par réalité virtuelle (SimRV), constituant un exemple d’actualisation des approches technopédagogiques au service de l’apprentissage. En reprenant des scénarios de simulation clinique traditionnels, la SimRV amène la personne, par le biais d’expériences immersives, à réaliser des simulations qui, autrefois, nécessitaient l’accès à une structure formelle. Bien que cette approche soit récente, plusieurs avenues viennent lui conférer un grand potentiel d’application. Une équipe de la Faculté des sciences infirmières de l’Université Laval a testé ce potentiel dans un projet exploratoire de simulations interactives par vidéo 360 degrés interactive, dans le programme de deuxième cycle de formation des infirmiers praticiens spécialisés. Cet article présentera les avantages, les limites et les enjeux identifiés pour une intégration pédagogique réussie de cette nouvelle technologie.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,002 |
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 ».