Serious games in nursing education: A systematic review of current evidence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Serious Games have become increasingly popular in nursing education as a way to enhance learning and improve clinical skills. • Serious games have the potential to transform nursing education by providing an engaging and interactive learning experience. • By immersing learners in realistic clinical scenarios, Serious Games can enhance critical thinking, problem-solving, and decision-making skills. • To maximize Serious Games impact, it is critical to carefully design and implement these games, align them with specific learning objectives, and evaluate their effectiveness. Serious games (SGs) are a new concept in education that focuses on improving the effectiveness of teaching methods to provide a digital area for learning. We aimed to review current evidence of using SGs applications in nursing education. Data extraction was performed following two steps of screening/selection and then applying inclusion/ exclusion criteria. PRISMA checklist and the Newcastle-Ottawa Scale were utilized in the review. A total of 41 articles from 2015 to 2024 were included in this study. Results showed that nurse educators have attempted to use innovative game-based approaches to improve students’ knowledge, decision-making, practical skills, and teamwork. The nurses who participated and played these games often demonstrated a meaningful increase in their knowledge or exam scores when compared to a control group of peer nurses who underwent a routine traditional education or other modalities of digital platforms like online webinars. Serious games have the potential to transform nursing education by providing an engaging and interactive learning experience. By immersing learners in realistic clinical scenarios, these games can enhance critical thinking, problem-solving, and decision-making skills.
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.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 découle