Utilisation de la vidéo 360 interactive pour la formation par simulation clinique en santé : Potentiels, limites et enjeux dans le cadre de la formation en soins infirmiers
Bibliographic record
Abstract
Le gouvernement du Québec a investi dans une offensive de transformation numérique. Elle vise à accélérer le virage technologique de plusieurs secteurs d’activités incluant celui de l’enseignement. Pour les universités, cette décision se traduit par un rehaussement de l’intégration pédagogique des technologies de l’information et des communications (TIC). D’ailleurs, dans plusieurs cas, ces TIC rejoignent les personnes dans leur manière d’apprendre. Parmi ces nouvelles méthodes pédagogiques, nous retrouvons la simulation clinique par réalité virtuelle (SimRV), constituant un exemple d’actualisation des approches technopédagogiques au service de l’apprentissage. En reprenant des scénarios de simulation clinique traditionnels, la SimRV amène la personne, par le biais d’expériences immersives, à réaliser des simulations qui, autrefois, nécessitaient l’accès à une structure formelle. Bien que cette approche soit récente, plusieurs avenues viennent lui conférer un grand potentiel d’application. Une équipe de la Faculté des sciences infirmières de l’Université Laval a testé ce potentiel dans un projet exploratoire de simulations interactives par vidéo 360 degrés interactive, dans le programme de deuxième cycle de formation des infirmiers praticiens spécialisés. Cet article présentera les avantages, les limites et les enjeux identifiés pour une intégration pédagogique réussie de cette nouvelle technologie.
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 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".