Traduction, adaptation et validation de contenu d’un outil évaluant la qualité du débriefing en simulation selon des étudiants et des étudiantes en sciences infirmières
Bibliographic record
Abstract
Dans l’optique de perfectionner l’utilisation de la simulation clinique, il importe de se questionner sur la qualité des débriefings et surtout sur la perception qu’en ont les étudiant(e)s. L’outil le plus utilisé à cet effet est le Debriefing Experience Scale (DES; Reed, 2012) qui évalue l’expérience et l’importance du débriefing selon les étudiant(e)s. Cet outil n’est pas disponible en français et il est essentiel qu’il soit adapté au contexte et à la population auprès de qui on souhaite l’utiliser. Le but de cette étude a été de traduire en français, adapter au contexte québécois et valider le contenu du DES (Reed, 2012). Selon les recommandations de Sousa et Rojjanasrirat (2011), le DES a été traduit en français et rétrotraduit en anglais pour obtenir une version française, le DES-FR. La pertinence et la clarté de ses énoncés ont été évaluées par 10 expert(e)s en simulation clinique. Un échantillon de convenance de 29 étudiant(e)s en sciences infirmières a été sollicité pour évaluer la clarté des énoncés de l’outil. Les résultats indiquent que le DES-FR a un indice de validité de contenu global (IVC-S) de 0,93 selon les expert(e)s, suggérant une bonne validité de contenu, ainsi qu’un indice de clarté global (IC-S) de 0,96, soutenant qu’il est dans son ensemble clair selon l’échantillon étudiant. Le DES-FR est le premier outil en français présentant une validité de contenu et adapté au contexte de formation québécois qui permettra d’obtenir des données sur la qualité des débriefings selon la perspective étudiante.
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 | 0.215 | 0.316 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.005 |
| Bibliometrics | 0.005 | 0.003 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 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".