Clinical experiences of RN to BScN nursing students in Kenyan universities
Notice bibliographique
Résumé
Introduction and objective: Clinical learning environments play a great role in nursing training as they allow nursing students to develop their clinical skills by combining cognitive, psychomotor and affective skills. Consequently, clinical learning environments enable nursing students to bridge the theory-practice gap. Fewer studies have examined the clinical experiences of RN to BScN students in Kenya. This paper is part of analytical memo of a larger PhD study that sought to explore and describe the support needs of RN to BScN students in Kenyan universities. The paper focuses on clinical experiences of RN to BScN students.Methods: Using a qualitative phenomenological approach, ten focus group discussions were conducted with 100 RN to BScN students, purposively sampled from four universities in Kenya. Data were analyzed using Tesch’s data analysis protocol. The article has adhered to Consolidated criteria for reporting qualitative studies.Results: The data on RN to BScN students’ clinical experience revealed two themes: curriculum challenges and practice environment and six sub-themes: redundant learning outcomes, redundant clinical assessments, not acknowledging prior learning, lack of clinical supervision, lack of learning resources and “an extra pair of hands”.Conclusions: The study findings highlight the need for review of clinical learning outcomes for the RN to BScN students in Kenya. The findings emphasize the need for collaborative partnerships between universities, clinical learning environments, nurse educators, and policy makers, to design of clinical learning outcomes relevant to RN to BScN students in Kenya.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».