Simulating a situation of homelessness: nursing students' perceptions of learning through virtual embodiment
Notice bibliographique
Résumé
Individuals experiencing homelessness encounter unique challenges in accessing and receiving care in our health systems[1,2,3,4] Preparing emerging health professionals to respond to their complex health needs will require innovative educational approaches that promote person-centered care, and stimulate critical reflection and action towards the personal, interpersonal and structural factors that shape health care delivery.[5,6,7] This presentation reports on preliminary findings of phase 1 of a critical qualitative case study of nursing student’s perceptions of learning about the experience of homelessness, through a virtual reality educational experience. The study design was informed by critical transformative learning theories and theories of embodiment. Twenty nursing students were engaged in a virtual reality experience of 12 minutes, followed by a 1:1 debrief interview. The debrief interview used an adapted version of the Promoting Excellence and Reflective Learning in Simulation (PEARLS) framework to elicit students’ reflections on the experience. The interviews were audio recorded and transcribed verbatim. Data analysis involved a process of reading all of the transcripts for a sense of the whole, mindmapping each of the transcripts, identifying themes that permeated the data set, and coding data in Quirkos software. Six preliminary themes include: a) seeing the person through story, b) destabilizing assumptions and questioning stereotypes, c) embodied emotional awareness, d) challenges to care, e) recognizing vulnerability of people experiencing homelessness, and f) quality of the immersive experience in learning. The findings contribute to our knowledge about virtual reality simulation as an innovative approach to fostering learning about homelessness in health professions education.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,004 |
| 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 ».