Simulation in situ adaptée au personnel infirmier en soins d’urgence d’un centre hospitalier rural : une recherche-action participative
Bibliographic record
Abstract
Les urgences en milieu rural se caractérisent par une fréquence moins élevée de situations cliniques critiques, ce qui limite l’exposition du personnel infirmier à ces enjeux. De plus, l’accès au développement professionnel continu (DPC) est parfois restreint, ce qui compromet la mise à jour des compétences et diminue ainsi la sécurité des personnes soignées. Une recherche-action a été effectuée, avec pour objectif le développement et la mise en place d’une simulation in situ adaptée au personnel infirmier en soins d’urgence d’un centre hospitalier rural. Des méthodes de collecte de données inductives et déductives, telles que des observations sur le terrain et des groupes de discussion, ont été utilisées afin d’identifier les besoins de formation théorique et technique spécifiques de 11 infirmier.ères d’urgence. Une simulation in situ a été élaborée en collaboration avec le personnel infirmier, en suivant la méthode de la zone de simulation de Roussin et Weinstock (2017) et la théorie de la simulation de Jeffries (2021). En conclusion, la simulation in situ a répondu à la plupart des exigences en matière de DPC pour le personnel infirmier de cette urgence rurale, en plus de favoriser l’accès à l’apprentissage expérientiel.
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 | 0.019 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.014 | 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".