Gamification as a Tool for Understanding Mental Disorders in Nursing Students: Qualitative Study
Notice bibliographique
Résumé
Background: Gamification has emerged as an innovative pedagogical strategy in the educational field, transferring game tools to the teaching-learning process to improve students' motivation and engagement. Objective: This study aims to describe nursing students' perceptions of mental disorders using interactive cards as a gamification tool. Methods: This research was carried out at the Nursing School of a University in Madrid, Spain, with the participation of 50 first-year students enrolled in the nursing degree's general and developmental psychology course. Data were collected through focus groups and reflective narratives with semistructured interview questions between March and April 2024. After data collection, transcripts were generated and subjected to thematic analysis following the Consolidated Criteria for Reporting Qualitative Research (COREQ) checklist. Results: A total of three themes emerged from the analysis: (1) perception and stigma of mental disorders, (2) emotional connection and personal reflection in learning about mental disorders, and (3) gamification tools and their impact on learning. Conclusions: Gamification, especially through interactive cards, is valuable for teaching psychology and mental disorders in nursing education. It enables students to gain a deeper clinical understanding of mental illnesses and explore their emotional and social dimensions. This methodology fosters emotional reflection, reduces stigma, and encourages active engagement, contributing to developing more empathetic, reflective, and better-prepared nursing professionals. Its integration into educational programs enhances academic and humanistic competencies essential for mental health care.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».