Emotional Skills and Nursing Training: A Study on Italian Stu-Dents and a TRI-COM Based Educational Model
Notice bibliographique
Résumé
Background/Objectives: Emotional competence is increasingly recognized as a core component of professional nursing. However, emotional education remains largely unstructured within nursing curricula. This study aimed to (1) propose a conceptual framework for defining and operation-alizing "emotion" in nursing education using the TRI-COM model, and (2) investigate the multi-dimensional structure of emotional competence in a sample of Italian nursing students. Methods: A cross-sectional study was conducted with 233 nursing students from various Italian universi-ties. Participants completed the Toronto Alexithymia Scale (TAS-20) and the Jefferson Scale of Empathy (JSE). Data were analyzed using descriptive statistics, ANOVA, t-tests, and Pearson's correlations. Results: The sample showed moderate levels of alexithymia, with 49.6% scoring above the clinical cut-off. The subscale “Externally Oriented Thinking” showed the highest prevalence (56%). Empathy scores indicated adequate perspective-taking (M = 60.95) but lower scores in compassionate care (M = 18.92). No significant gender differences were observed in overall alexithymia or empathy, though women scored slightly higher in emotional description. ANOVA results revealed no significant differences in emotional competence across years of study, though DIF scores (difficulty identifying feelings) approached significance (p = .053). Correlational analyses showed inverse relationships between age and alexithymia, and between alexithymia and empathy dimensions. Conclusions: Findings suggest an emotional competence gap among nursing students, with potential roots in learned helplessness and insufficient training. The TRI-COM model offers a pedagogically actionable structure to support the devel-opment of emotional literacy through cognitive, physiological, and motivational regulation. Structured emotional education should be integrated into nursing curricula to promote clinical efficacy and student well-being.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».