Stratégies d’enseignement dans les laboratoires de simulation cliniques en sciences infirmières : application du modèle de Bambini (2016) au Département des sciences de la santé à l’Université du Québec en Abitibi-Témiscamingue
Bibliographic record
Abstract
Cette recherche-intervention est née d’une préoccupation de manque de temps, constatée chez les enseignants, à planifier et à piloter les activités d’apprentissage cliniques dans les cours de laboratoires de simulation en sciences infirmières à l’Université du Québec en Abitibi-Témiscamingue (UQAT). De ce fait, nous avons élaboré une activité de formation, afin de les encourager à développer et à utiliser des scénarios de simulation cliniques, comme stratégie pédagogique dans le cadre des cours en laboratoire, sans augmenter la charge du travail professoral. Deux cadres de références ont été utilisés pour développer le contenu de la formation, soit la méthode de conception de scénarios cliniques, étape par étape de Bambini (2016) et le modèle conceptuel de la simulation en soins infirmiers de Jeffries (2012). \n \nTrois outils ont servi à la cueillette des données pour retracer les besoins de formation : (1) un questionnaire préformation pour recueillir des informations sur les connaissances et l’intérêt des participants sur le scénario clinique, (2) un formulaire d’évaluation de la formation pour recueillir des informations sur la perception des participants concernant la pertinence et l’intérêt de la formation et (3) un questionnaire post-formation pour permettre d’évaluer l’intérêt des participants en ce qui concerne l’utilisation des scénarios cliniques. Nous avons constaté que le scénario clinique est déjà une stratégie d’apprentissage actif utilisée par les enseignants, peu importe le nombre d’années d’expérience en enseignement. Le modèle de conception de scénarios cliniques de Bambini (2016) étant inconnu pour la plupart des participants, ceux-ci ont développé leur propre modèle. D’où l’intérêt de les former au modèle de Bambini.
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 | 0.008 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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 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".