Mixed Methods Examination of Challenging and Bothersome Events in Nursing Virtual Simulations: Comparing Screen-Based and Headset VR Modalities
Notice bibliographique
Résumé
Background: Virtual simulations (VSs) are increasingly utilized to train nursing students for clinical practice, yet few tools to evaluate VS quality, and little research has examined specific design elements that impact user experience across different modalities. Comparative evidence between screen-based VS and headset virtual reality (VR) within the same VS scenario is especially limited. Purpose: The primary goal of this study is to identify challenging/bothersome events in a VS, compare how these events manifest in screen-based versus headset VR, and examine their impact on electrodermal activity (EDA; physiological arousal), performance, usability, and cognitive load. Methods: A mixed-methods approach was applied to analyze audio-video and EDA data from 20 third-year nursing students during a VS. Objective performance scores were generated by the OMS software, while self-reported data on usability and cognitive load were collected through post-simulation surveys. Results: Six challenging/bothersome event categories were identified: software-related restrictions and bugs, confusion/lack of success, negative affect, technical errors, neglect of instruction, and other. Results revealed that encountering challenging/bothersome events significantly increased students' EDA (an indicator of physiological arousal), possibly reflecting frustration/confusion. Furthermore, while no single challenging/bothersome event category predicted performance or usability relative to others, we found that software-related restrictions and bugs were particularly critical, significantly increasing extrinsic cognitive load compared to technical errors. Conclusions: Our findings highlight specific VS elements that hinder students' experience, directly pointing to areas for future improvements. We also provide valuable insights for educators and developers to enhance virtual learning environments in nursing education by addressing how to reduce cognitive load and improve performance and usability. Future research should develop VS-specific usability tools and replicate this study in diverse contexts to further refine virtual learning experiences.
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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».