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 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 ».