Perspectives of Nursing Faculty on the Barriers, Opportunities, and Teaching Strategies for Developing Peer Feedback Skills Among Entry-Level Nursing Students
Notice bibliographique
Résumé
Peer feedback benefits nursing education and practice by fostering collegial relationships and promoting the quality of care, yet students often lack training to engage effectively. While existing research has examined student perspectives, the experiences and strategies employed by nursing faculty remain underexplored. The purpose of this qualitative study, guided by the student feedback literacy framework, was to explore the perspectives of nursing faculty on the barriers, opportunities, and strategies for developing peer feedback skills among undergraduate nursing students. Seventeen Canadian nursing faculty participated in semi-structured virtual interviews. Analysis revealed five themes that aligned with the study’s three foci: strategies (a) teaching strategies and structural support; (b) shaping peer feedback practices; (c) learning environment and relational dynamics; (d) role modelling and professional socialization; and (e) challenges and barriers to feedback engagement. Findings revealed that peer feedback development is a collaborative process, requiring students’ active engagement alongside faculty guidance. A structured and formally taught approach that is responsive to student diversity, fosters safe learning environments, and normalizes feedback through culture and role modelling was emphasized. Future research could examine the perspectives of new graduate nurses, who stand at the intersection of education and practice. Nursing students who gain confidence in giving and receiving peer feedback are better prepared for reflective practice, effective communication, and safe, independent clinical work and ultimately contributing to positive social change.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».