Implementing Immersive Virtual Reality Simulation in a Distributed Undergraduate Nursing Program: An Educational Design Research Study
Notice bibliographique
Résumé
INTRODUCTION: Immersive virtual reality simulation (IVRS) is an increasingly popular tool in health education. This qualitative study explores the integration of IVRS into a distributed practical nurse-to-registered nurse program. The intervention included hardware and software deployment, faculty and student orientation, and the integration of IVRS scenarios into existing courses. This study aimed to (1) describe the IVRS intervention and its implementation; (2) explore the perceptions and experiences of students, faculty, and information technology staff involved in the first iteration of the IVRS intervention; and (3) offer reflections and recommendations for optimizing student learning. METHODS: Using an educational design framework and generic qualitative methodology, we collected data through demographic surveys and postintervention focus groups and interviews. RESULTS: Thematic analysis revealed 3 key themes: user experience, IVRS impact on learning, and achieving consensus. Although faculty responses were positive, student responses were mixed. Findings suggest that successful implementation of IVRS in distributed nursing education requires deliberate planning, comprehensive orientation, and ongoing support. CONCLUSIONS: IVRS has the potential to enhance nursing education. Success hinges on thorough preparation; ongoing student, faculty, and institutional support; and clear communication. Recommendations for future interventions include enhancing student preparation, explicitly communicating the purpose and expectations of IVRS integration to strengthen alignment between faculty and students.
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 | 0,016 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| 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 ».