Effect of experiential learning based AI‑generated aging video simulation on knowledge, attitude and gerontophobia in nursing students
Notice bibliographique
Résumé
BACKGROUND: With global ageing accelerating, nursing students’ knowledge and attitudes toward older adults’ influence care quality. We evaluated an experiential learning–based, AI-generated ageing video simulation aligned with Kolb’s cycle. DESIGN: One-group pretest–posttest quasi-experimental design with undergraduate nursing students at RAK College of Nursing (UAE). Gerontophobia paper Vancouver. METHODS: Students completed baseline measures, viewed an AI-generated ageing simulation embedded in Kolb’s stages (concrete experience; reflective observation/abstract conceptualization; active experimentation), and repeated measures immediately post-intervention. Outcomes: knowledge (Palmore Facts on Aging Quiz), attitudes (Kogan’s Attitudes Toward Old People), and gerontophobia (Anxiety about Aging Scale). Paired tests assessed pre/post differences; effect sizes (Cohen’s d_av; Hedges’ g) summarized magnitude. RESULTS: N = 107 (66.4% female, mostly 20–29 years). Knowledge increased 13.00 ± 3.00 → 22.18 ± 2.65 (p = 0.001; d = 3.25; g = 3.23). Attitudes improved 26.16 ± 6.38 → 33.17 ± 5.92 (p = 0.0002; d = 1.14; g = 1.13). Ageing-anxiety decreased 59.5 ± 16.2 → 50.3 ± 14.2 (p < 0.001; d = − 0.61; g = − 0.60). Directional sign indicates reduced anxiety. CONCLUSIONS: A brief, AI-generated simulation grounded in experiential learning substantially improved knowledge, attitudes, and reduced gerontophobia. Integrating such media into undergraduate curricula may strengthen gerontological competencies; longer follow-up and controlled comparisons are warranted.
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 | 0,003 |
| 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 | 0,001 |
| 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 ».