Use of Social Media and Free Open Access Medicine (FOAM) for Continuing Education in Emergency Nursing: A Scoping Review
Notice bibliographique
Résumé
Objective: Emergency nurses are responsible for ensuring that they have up-to-date knowledge and skills to deal with any situation that may present in clinical practice. As an emerging trend for learners to obtain and discuss evidence-based medical education, social media, Free Open Access Medical education (FOAM) and Free Open Access Nursing education (FOAN) could be used for continuing education in emergency nursing. This scoping review aims to discover what is known about social media and FOAM in continuous emergency nursing education. Methods: This scoping review was guided by the Preferred Reporting Items for Systematic Reviews and Meta-Analyses – Extension for Scoping Reviews (PRISMA-ScR). The review searched three databases (Medline, CINAHL, and Web of Science) for any paper that discussed social media or FOAM in the context of continuing education in either general or emergency nursing published in any year. Of the 346 records screened, 12 studies were reviewed for their description of social media for continuing education use and any reported challenges or outcomes. Results: The current state of literature is limited in describing the use of social media with continuing education specifically in emergency nursing. Rather than as a primary educational intervention, social media has been used to enhance other educational strategies or as in-the-moment forms of learning. Studies that utilized social media showed favorability to its use, but there were often challenges to the methodology of these studies. Despite papers describing the elements of FOAM, papers within the nursing literature did not use this term. Conclusion: Although the literature on social media in emergency and general nursing literature is growing, it is superficial and broad. More studies are needed to see the overall effects of social media in continuing education in emergency nursing. Keywords: continuing education, emergency nursing, nursing education, social media.
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 | 0,016 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,019 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».