Games to improve the clinical skills of nursing students: A systematic review of current evidence (Preprint)
Notice bibliographique
Résumé
BACKGROUND As medical education evolves, incorporating innovative teaching methods is crucial for developing nursing students' critical thinking and problem-solving skills. Game-based learning (GBL) has gained popularity, engaging students through immersive experiences and allowing personalized learning. OBJECTIVE This systematic review aims to investigate the impact of educational games on nursing education outcomes. METHODS In this study, the authors systematically searched the four public databases (PubMed, Embase, Scopus, and Web of Science) to investigate the role of educational games in improving the clinical skills of nursing students. This paper is based on the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) checklist 2020. We also checked the bias risk of selected studies by the Newcastle-Ottawa Scale (NOS) bias assessment tool. RESULTS In this study, a total of 801 articles were initially retrieved using a specified search strategy, with 39 articles remaining after applying inclusion and exclusion criteria. These articles, published between 2018 and 2023, spanned various countries and focused on diverse learning objectives, including diagnostic reasoning and cognitive skills enhancement, utilizing multiple game platforms. While many games utilized web-based platforms, few were conducted in person and some were developed in smartphone app formats. CONCLUSIONS GBL is transforming nursing education by enhancing student engagement and clinical skills through immersive experiences. Despite its advantages, GBL faces challenges such as development costs and the effect of expertise reversal. Future research should focus on multilingual studies and long-term assessments to evaluate its impact on nursing competencies and patient outcomes.
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 | 0,005 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,007 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».