L’apprentissage du raisonnement clinique infirmier par une stratégie éducative numérique basée sur la concordance de scripts
Bibliographic record
Abstract
Cette thèse doctorale porte sur l’apprentissage du raisonnement clinique infirmier (RCI) par une stratégie éducative numérique qui s’appuie sur la notion de la concordance de scripts. Elle repose sur un devis de recherche multiméthode visant le développement, la mise à l’essai et l’évaluation de la stratégie éducative auprès d’étudiants au premier cycle de formation universitaire en sciences infirmières à l’Université de Montréal. La thèse, qui comporte cinq chapitres, est rédigée selon le mode de présentation par articles. L’étude a été orientée par un cadre de référence incluant la théorie des scripts relevant des sciences cognitives de l’apprentissage et l’approche pédagogique de compagnonnage cognitif. Un devis de recherche multiméthode intégrant un devis de recherche-développement, une étude descriptive qualitative et une étude de cas multiples a été privilégié. Des experts collaborateurs (n = 5), des experts-panélistes (n = 12) et des étudiants (n = 45) ont participé à l’étude. Les résultats montrent que l’approche de recherche-développement a contribué à bonifier l’élaboration de la stratégie éducative numérique basée sur la concordance de scripts (SENBCS) et à assurer sa validation. Globalement, les étudiants ont apprécié la SENBCS, notamment la rétroaction variée et formative d’experts et l’opportunité d’apprendre la priorisation des hypothèses infirmières. L’intégration d’un devis descriptif a soutenu l’identification des stratégies d’apprentissage chez les étudiants lors de l’utilisation de la SENBCS. Les résultats montrent que les étudiants ont sollicité certaines stratégies d’apprentissage cognitives de traitement et d’exécution des données ainsi que des stratégies métacognitives d’autorégulation. Les résultats de l’étude de cas multiples montrent que les étudiants mettent en évidence certains processus cognitifs du RCI, à l’aide des vignettes du test de concordance de scripts (TCS) et de la pensée à voix haute, notamment : la représentation précoce d’une situation clinique, la transformation sémantique des données et la confrontation d’hypothèses. La SENBCS améliore la visibilité des savoirs d’experts, lesquels sont absents dans une classe traditionnelle ou même en stage clinique. Cela constitue une avancée certaine que de considérer l’apport des stratégies éducatives numériques dans les programmes de formation universitaire en sciences infirmières ou dans d’autres programmes pour soutenir le développement du raisonnement clinique. L’étude a permis de mettre à profit une riche documentation scientifique entourant l’élaboration de la SENBCS. Les résultats informent au regard de son utilisation efficiente afin qu’elle soit complémentaire à d’autres stratégies éducatives pour soutenir plus globalement la complexité de l’apprentissage du RCI. Des retombées pour les cinq domaines de la pratique infirmière sont générées par cette étude, elles offrent certaines pistes qui pourraient favoriser l’apprentissage du RCI. L’une d’elles vise à favoriser l’articulation des connaissances et de solliciter fréquemment des microjugements pour confronter et différencier des hypothèses relevant de l’incertitude de la pratique clinique, sous-entendant des apprentissages par couches successives.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.015 | 0.049 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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 source (direct Gemma or distilled Codex), 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".