Unveiling CPR training challenges in nursing education: Pedagogical strategies for success
Notice bibliographique
Résumé
AIM: This study explored the challenges nursing students face while learning CPR and identified experiential learning strategies to address these challenges. BACKGROUND: Nursing students often experience challenges and anxiety during clinical learning, including CPR training. Given the experimental nature of CPR training, experiential learning models like mARC can significantly enhance the learning experience by addressing these prevalent challenges. DESIGN: This study adopts an interpretivist approach within a qualitative methodology and uses a phenomenological design. METHOD: Semi-structured interviews and the Delphi method were used to gather firsthand experiences from 37 educational supervisors, nursing professors and nursing students undergoing CPR clinical training at five public medical universities. RESULTS: Four main challenges and eighteen sub-challenges of CPR training were identified, elaborated and modeled. Additionally, thirteen experiential learning strategies, based on the mARC experiential learning model (more Authentic, Reflective, Collaborative), were mapped to address these challenges. CONCLUSIONS: Among the four main challenges of CPR training identified by this study, the lack of pedagogy appears to be the underlying cause of the other three. This underscores the significance of integrating effective pedagogical approaches into nurse education strategies and initiatives.
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 | 0,018 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,005 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».