Virtual reality simulation enabling high level immersion in undergraduate nursing education: A systematic review
Notice bibliographique
Résumé
Background and objectives: Virtual reality simulation (VRS) can be used to complement experiential learning, as it enables nursing students to further learn and refine nursing skills outside of the clinical setting. However, gathering evidence for its effectiveness as a teaching method in achieving learning outcomes is still ongoing, and thus there is a lack of systematic synthesis. The objective of this systematic literature review is to analyze VRS scenarios with a high level of immersion and their impact on learning outcomes in nursing education.Methods: A literature search was performed in the MEDLINE, CINAHL, and ERIC databases in November 2022. As a result, fifteen studies were included and analyzed using deductive content analysis.Results: The studies reported twelve different scenarios for virtual reality simulations with high levels of immersion, the focus of which was on acute critical care, broader nursing processes, neonatal and pediatric care, single nursing interventions, and observation of patients’ symptoms. The associated learning objectives were mainly achieved in the domains of cognition and psychomotor skills.Conclusions: There are several VRS scenarios that show potential for use in nursing education. The VRS scenarios are effective in improving learning outcomes, particularly those related to knowledge and skills. Overall, the supportive body of evidence gained through this review may help nurse educators in integrating virtual simulations in their curricula. In the future, nursing and adult learning theories should be given greater consideration, and the aspect of affective learning could be included in design and implementation. Moreover, future research could benefit from exploring the long-term effects of learning after using VRS with a high level of immersion to provide valuable evidence for developing VRS teaching methods in nursing.
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 | 0,008 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».