Addressing Culturally Based Hidden Bias and RacisM (A-CHARM) Using Simulation Experiences, Nik’s Story: A Quasi-Experimental Study
Notice bibliographique
Résumé
Background/Purpose Racism and hidden bias experienced by underrepresented nursing students contribute to a loss of confidence and anxiety. The A-CHARM nursing project developed virtual simulation experiences for nursing students to practice how to address racism. ‘Nik's Story’ virtual simulation was created as part of the A-CHARM project. The purpose of this study was to examine the effectiveness of an education intervention, that included Nik's story, on cultural humility and cultural diversity awareness. Method This quasi-experimental study included a convenience sample of final year nursing students. After informed consent, participants completed a pre-intervention questionnaire that included the Cultural Humility Scale “context for difference in perspective” subscale, and the Cultural Diversity Awareness questionnaire to assess baseline knowledge. Students participated in an education intervention that included a lecture, Nik's story virtual simulation experience, a debrief and then completed a post-education/simulation questionnaire that included usability/learner engagement questions and the Cultural Humility Scale “context for difference in perspective” subscale, and the Cultural Diversity Awareness questionnaire. Results Forty-seven students consented and completed the pre/post intervention questionnaire. Participants rated the effectiveness, engagement and usability of the simulation experience highly. There was a significant positive change in cultural humility “context for difference in perspective” subscale (pre-scores = 6.9, SD = 3.3; post-scores = 31.0, SD = 3.8, p < 0.001), and cultural diversity awareness (pre-scores = 95.4, SD = 8.9; post-scores = 103.4, SD = 9.8, p < 0.001). Discussion This intervention was effective in improving cultural humility and cultural diversity awareness in nursing students. Conclusion Simulation experiences regarding racism in the clinical setting provide a strategy for students to learn how to professionally navigate unwanted experiences.
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 | 0,007 | 0,008 |
| 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 | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».