Protocole d’une étude quasi-expérimental afin d’examiner le développement de compétence en raisonnement et jugement clinique au moyen de l’outil d’auto-évaluation LCJR-VF
Bibliographic record
Abstract
Introduction : Le manque de compétences à poser un jugement clinique infirmier (JCI) conduit souvent à des résultats négatifs pour les personnes en raison de l'incapacité à reconnaître la détérioration clinique, à intervenir et à gérer les complications de la personne soignée. Cette recherche suggère que l’introduction d’un modèle de jugement clinique infirmier (JCI) associé à sa grille d’évaluation dans l’apprentissage donne un cadre aux étudiants infirmiers pour fournir des soins infirmiers avec de résultats de santé optimaux. Méthode : Cette contribution présente le protocole d’une étude quasi-expérimentale avec une série de quatre mesures sur un même groupe. Un échantillon de commodité de 162 étudiants infirmiers d’un institut de formation en soins infirmiers français a participé à l'étude. Les participants ont suivi deux cours sur un semestre dans lesquels le modèle de JCI apparié à une théorie infirmière a été utilisé pour analyser des études de cas cliniques. Au cours du semestre, chaque participant a réalisé quatre auto-évaluations de son niveau d’apprentissage en JCI à l’aide de la grille de LCJR-VF. Résultats attendus : Les retombées attendues de cette étude suggèrent qu’un modèle formel d’enseignement en raisonnement clinique apparié à du savoir infirmier facilite l’apprentissage du jugement clinique infirmier.
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 | 0.061 | 0.082 |
| Meta-epidemiology (narrow) | 0.003 | 0.003 |
| Meta-epidemiology (broad) | 0.005 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.006 | 0.008 |
| Insufficient payload (model declined to judge) | 0.059 | 0.010 |
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".