Technological Challenges and Solutions in Emergency Remote Teaching for Nursing: An International Cross-Sectional Survey
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: With the sudden global shift to online learning modalities, this study aimed to understand the unique challenges and experiences of emergency remote teaching (ERT) in nursing education. METHODS: We conducted a comprehensive online international cross-sectional survey to capture the current state and firsthand experiences of ERT in the nursing discipline. Our analytical methods included a combination of traditional statistical analysis, advanced natural language processing techniques, latent Dirichlet allocation using Python, and a thorough qualitative assessment of feedback from open-ended questions. RESULTS: We received responses from 328 nursing educators from 18 different countries. The data revealed generally positive satisfaction levels, strong technological self-efficacy, and significant support from their institutions. Notably, the characteristics of professors, such as age (p = 0.02) and position (p = 0.03), influenced satisfaction levels. The ERT experience varied significantly by country, as evidenced by satisfaction (p = 0.05), delivery (p = 0.001), teacher-student interaction (p = 0.04), and willingness to use ERT in the future (p = 0.04). However, concerns were raised about the depth of content, the transition to online delivery, teacher-student interaction, and the technology gap. CONCLUSIONS: Our findings can help advance nursing education. Nevertheless, collaborative efforts from all stakeholders are essential to address current challenges, achieve digital equity, and develop a standardized curriculum for nursing 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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle