Learning to Manage COVID-19-induced Respiratory Distress in the Immersive Virtual Reality Simulation: A Pre-Experimental Study
Notice bibliographique
Résumé
Introduction: Undergraduate nursing students have limited theoretical knowledge of and practical learning opportunities to manage COVID-19 respiratory distress. Immersive virtual reality simulations in nursing represent a new area of educational interest that has been understudied in Canada. Objective: This study aimed to measure the potential impact of immersive virtual reality simulation on content knowledge in respiratory distress induced by COVID-19, as well as perceived learning and perceived confidence in managing this condition among senior undergraduate nursing students. Methods: A pre-experimental design with a one-group pretest-post-test was employed. Nursing students (n = 30) were recruited through convenience sampling to participate in a single immersive virtual reality simulation session. Data were collected using the Respiratory Distress Management Knowledge Test, the Simulation Effectiveness Tool-Modified (subscales: Learning and Confidence), and an open-ended question. Results: The results showed an increase in knowledge (p=0.01). Participants reported a high perception of learning and confidence, and shared that this simulation helped them identify areas for improvement and strengthened their existing skills. Discussion and Conclusion: These results suggest that this immersive virtual reality simulation has the potential to enhance students’ knowledge about respiratory distress. Subjective evaluations highlight its educational potential. Further studies could explore simulation’s impact on nursing students and professionals by integrating a control group and other validated measures.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».