Learner-Led Nursing Placements in England: Evaluating Impact and Implementation Opportunities
Notice bibliographique
Résumé
Introduction: ‘Learner-led’ placement models in nursing, such as ‘Collaborative Learning in Practice’ and coaching seek to improve learner experience, competence, and retention as well as increasing placement capacity (Hill et al 2020). Whilst there is appetite within NHS Trusts to adopt learner-led models, there are gaps in understanding how best to do this.Aim: To provide insight into the organisational and socio-cultural conditions needed for successful implementation of learner-led placements.Methods: Mixed methods evaluation, underpinned by Appreciative Enquiry (Whitney & Cooperrider 2011) and Kirkpatrick’s Evaluation Framework(Kirkpatrick 1998), commissioned in 2024 by NHS England. Work-packages included i) scoping review; ii) five organisational case studies; iii) semi-structured interviews with nurses, students and academics. Qualitative data analysed thematically (Braun & Clark 2022). (CU Ethics Ref P183633, 23/01/2025)Results: The scoping review included 32 papers and case studies yielded 52 interviews. Learner-led typologies include; collaborative models; coaching approaches; learner-led dyads, triads, clinics; and interprofessional approaches. Student benefits derived from learner led models can be framed using Self Determination Theory (Deci & Ryan 2000). Nurses were pro-active in implementing early interventions to prepare students for the transition to registration . Contextual factors within the learning milieu, including the culture; nursing team maturity; and acuity and activity levels, impacted learning. The prevailing perception was that learner-led models resulted in better patient care.Discussion: Based on evaluation findings, methods of embedding and optimising learner-led placements are presented. Rather than a ‘one-size-fits-all’ approach, case study sites adapted typologies along a continuum to suit the clinical context and varying student needs. Learner-led placements can contribute to improved outcomes for student, patient and nurses.Conclusion: Understanding typical barriers and facilitators to learner-led placements provides a framework for successful implementation. Continued evaluation and adaptation of learner-led models will be crucial in responding to the evolving needs of healthcare education.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».