Le potentiel diagnostique des questions d’un test de concordance de scripts pour évaluer le raisonnement clinique infirmier
Bibliographic record
Abstract
Contexte : Pour guider les programmes de formation, il est nécessaire de pouvoir poser une évaluation diagnostique du raisonnement clinique des infirmières. Or, les outils disponibles à cet effet présentent des problèmes majeurs. Un outil d’évaluation novateur, le test de concordance de script, constitue une avenue prometteuse. But : Explorer la possibilité d’utiliser les questions d’un test de concordance de script comme outil d’évaluation diagnostique du raisonnement clinique d’étudiantes infirmières. Données : Des transcriptions d’entrevues réalisées auprès d’infirmières et d’étudiantes infirmières (n = 55) ont été récupérées d’une étude antérieure[1]. Ces entrevues consistaient en la verbalisation à voix haute des pensées des participantes alors qu’elles répondaient à des questions d’un test de concordance de script. Analyse : Les transcriptions ont été codées afin d’identifier les catégories et les stratégies de pensée utilisées par les participantes pour répondre aux questions du test de concordance de script. Puis, des matrices Q ont été constituées afin de formaliser les relations entre les catégories/stratégies de pensée et les questions du test pour chacun des groupes de participantes. Résultats : Chaque groupe de participantes a utilisé différemment les catégories et stratégies de pensée pour répondre aux questions du test. Les questions du test pourraient permettre d’évaluer les forces et les faiblesses des étudiantes en lien avec des processus cognitifs spécifiques à leur niveau de développement. Le raisonnement des expertes est trop différent de celui des étudiantes pour être utilisé comme point de référence. Conclusions : Les étudiantes infirmières utilisent des catégories et stratégies de pensée différentes selon les groupes, et certaines questions d’un TCS présentent un potentiel diagnostique pour évaluer le raisonnement clinique infirmier niveau par niveau (1ère, 2e, et 3e année).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.265 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".