સિમ્યુલેટેડ ડિબ્રીફિંગ માટે રિફ્લેક્ટિવ લર્નિંગનું વાતચીત મોડેલ: સહયોગી ડિઝાઇન અને નવીનતા પ્રક્રિયાઓ | BMC મેડિકલ એજ્યુકેશન

યોગ્ય, સલામત ક્લિનિકલ નિર્ણયો લેવા અને પ્રેક્ટિસ ભૂલો ટાળવા માટે પ્રેક્ટિશનરો પાસે અસરકારક ક્લિનિકલ તર્ક કૌશલ્ય હોવું આવશ્યક છે. નબળી વિકસિત ક્લિનિકલ તર્ક કુશળતા દર્દીની સલામતી સાથે ચેડા કરી શકે છે અને સંભાળ અથવા સારવારમાં વિલંબ કરી શકે છે, ખાસ કરીને સઘન સંભાળ અને કટોકટી વિભાગોમાં. સિમ્યુલેશન-આધારિત તાલીમ દર્દીની સલામતી જાળવી રાખીને ક્લિનિકલ તર્ક કુશળતા વિકસાવવા માટે ડિબ્રીફિંગ પદ્ધતિ તરીકે સિમ્યુલેશન પછી પ્રતિબિંબીત શિક્ષણ વાર્તાલાપનો ઉપયોગ કરે છે. જો કે, ક્લિનિકલ તર્કની બહુપરીમાણીય પ્રકૃતિ, જ્ઞાનાત્મક ઓવરલોડનું સંભવિત જોખમ અને અદ્યતન અને જુનિયર સિમ્યુલેશન સહભાગીઓ દ્વારા વિશ્લેષણાત્મક (કાલ્પનિક-ડિડક્ટિવ) અને બિન-વિશ્લેષણાત્મક (સાહજિક) ક્લિનિકલ તર્ક પ્રક્રિયાઓના વિભેદક ઉપયોગને કારણે, સિમ્યુલેશન પછી જૂથ પ્રતિબિંબીત શિક્ષણ વાર્તાલાપમાં ડીબ્રીફિંગ પદ્ધતિ તરીકે જોડાઈને ક્લિનિકલ તર્કને ઑપ્ટિમાઇઝ કરવા માટે અનુભવ, ક્ષમતાઓ, માહિતીના પ્રવાહ અને જથ્થા સાથે સંબંધિત પરિબળો અને કેસ જટિલતાને ધ્યાનમાં લેવી મહત્વપૂર્ણ છે. અમારું લક્ષ્ય પોસ્ટ-સિમ્યુલેશન પ્રતિબિંબીત શિક્ષણ સંવાદના મોડેલના વિકાસનું વર્ણન કરવાનું છે જે ક્લિનિકલ તર્ક ઑપ્ટિમાઇઝેશનની સિદ્ધિને પ્રભાવિત કરતા બહુવિધ પરિબળોને ધ્યાનમાં લે છે.
એક સહ-ડિઝાઇન કાર્યકારી જૂથ (N = 18), જેમાં ચિકિત્સકો, નર્સો, સંશોધકો, શિક્ષકો અને દર્દી પ્રતિનિધિઓનો સમાવેશ થાય છે, સિમ્યુલેશનને ટૂંકમાં સમજાવવા માટે પોસ્ટ-સિમ્યુલેશન રિફ્લેક્ટિવ લર્નિંગ ડાયલોગ મોડેલને સહ-વિકાસ કરવા માટે ક્રમિક વર્કશોપ દ્વારા સહયોગ કર્યો. સહ-ડિઝાઇન કાર્યકારી જૂથે સૈદ્ધાંતિક અને વૈચારિક પ્રક્રિયા અને બહુ-તબક્કાના પીઅર સમીક્ષા દ્વારા મોડેલ વિકસાવ્યું. પ્લસ/માઈનસ મૂલ્યાંકન સંશોધન અને બ્લૂમના વર્ગીકરણનું સમાંતર એકીકરણ સિમ્યુલેશન પ્રવૃત્તિઓમાં ભાગ લેતી વખતે સિમ્યુલેશન સહભાગીઓના ક્લિનિકલ તર્કને ઑપ્ટિમાઇઝ કરવાનું માનવામાં આવે છે. મોડેલની ફેસ વેલિડિટી અને કન્ટેન્ટ વેલિડિટી સ્થાપિત કરવા માટે કન્ટેન્ટ વેલિડિટી ઇન્ડેક્સ (CVI) અને કન્ટેન્ટ વેલિડિટી રેશિયો (CVR) પદ્ધતિઓનો ઉપયોગ કરવામાં આવ્યો હતો.
એક પોસ્ટ-સિમ્યુલેશન રિફ્લેક્ટિવ લર્નિંગ ડાયલોગ મોડેલ વિકસાવવામાં આવ્યું હતું અને તેનું પરીક્ષણ કરવામાં આવ્યું હતું. આ મોડેલ કાર્ય કરેલા ઉદાહરણો અને સ્ક્રિપ્ટિંગ માર્ગદર્શન દ્વારા સમર્થિત છે. મોડેલની ચહેરો અને સામગ્રીની માન્યતાનું મૂલ્યાંકન અને પુષ્ટિ કરવામાં આવી હતી.
નવા કો-ડિઝાઇન મોડેલની રચના વિવિધ મોડેલિંગ સહભાગીઓની કુશળતા અને ક્ષમતાઓ, માહિતીના પ્રવાહ અને જથ્થા અને મોડેલિંગ કેસોની જટિલતાને ધ્યાનમાં રાખીને કરવામાં આવી હતી. જૂથ સિમ્યુલેશન પ્રવૃત્તિઓમાં ભાગ લેતી વખતે આ પરિબળો ક્લિનિકલ તર્કને શ્રેષ્ઠ બનાવવા માટે માનવામાં આવે છે.
ક્લિનિકલ રિઝનિંગને આરોગ્ય સંભાળમાં ક્લિનિકલ પ્રેક્ટિસનો પાયો માનવામાં આવે છે [1, 2] અને ક્લિનિકલ ક્ષમતાનું એક મહત્વપૂર્ણ તત્વ [1, 3, 4]. તે એક પ્રતિબિંબિત પ્રક્રિયા છે જેનો ઉપયોગ પ્રેક્ટિશનરો દરેક ક્લિનિકલ પરિસ્થિતિ માટે સૌથી યોગ્ય હસ્તક્ષેપ ઓળખવા અને અમલમાં મૂકવા માટે કરે છે [5, 6]. ક્લિનિકલ રિઝનિંગને એક જટિલ જ્ઞાનાત્મક પ્રક્રિયા તરીકે વર્ણવવામાં આવે છે જે દર્દી વિશે માહિતી એકત્રિત કરવા અને વિશ્લેષણ કરવા, તે માહિતીના મહત્વનું મૂલ્યાંકન કરવા અને ક્રિયાના વૈકલ્પિક અભ્યાસક્રમોનું મૂલ્ય નક્કી કરવા માટે ઔપચારિક અને અનૌપચારિક વિચારસરણી વ્યૂહરચનાઓનો ઉપયોગ કરે છે [7, 8]. તે યોગ્ય સમયે અને યોગ્ય કારણોસર યોગ્ય દર્દી માટે યોગ્ય પગલાં લેવા માટે સંકેતો એકત્રિત કરવાની, માહિતી પર પ્રક્રિયા કરવાની અને દર્દીની સમસ્યાને સમજવાની ક્ષમતા પર આધાર રાખે છે [9, 10].
બધા આરોગ્યસંભાળ પ્રદાતાઓને ઉચ્ચ અનિશ્ચિતતાની પરિસ્થિતિઓમાં જટિલ નિર્ણયો લેવાની જરૂરિયાતનો સામનો કરવો પડે છે [11]. ક્રિટિકલ કેર અને ઇમરજન્સી કેર પ્રેક્ટિસમાં, ક્લિનિકલ પરિસ્થિતિઓ અને કટોકટીઓ ઊભી થાય છે જ્યાં તાત્કાલિક પ્રતિભાવ અને હસ્તક્ષેપ જીવન બચાવવા અને દર્દીની સલામતી સુનિશ્ચિત કરવા માટે મહત્વપૂર્ણ છે [12]. ક્રિટિકલ કેર પ્રેક્ટિસમાં નબળી ક્લિનિકલ તર્ક કુશળતા અને યોગ્યતા ક્લિનિકલ ભૂલોના ઊંચા દર, સંભાળ અથવા સારવારમાં વિલંબ [13] અને દર્દીની સલામતી માટે જોખમો [14,15,16] સાથે સંકળાયેલી છે. વ્યવહારુ ભૂલો ટાળવા માટે, પ્રેક્ટિશનરો સક્ષમ હોવા જોઈએ અને સલામત અને યોગ્ય નિર્ણયો લેવા માટે અસરકારક ક્લિનિકલ તર્ક કુશળતા ધરાવતા હોવા જોઈએ [16, 17, 18]. બિન-વિશ્લેષણાત્મક (સાહજિક) તર્ક પ્રક્રિયા એ વ્યાવસાયિક પ્રેક્ટિશનરો દ્વારા પસંદ કરાયેલ ઝડપી પ્રક્રિયા છે. તેનાથી વિપરીત, વિશ્લેષણાત્મક (કાલ્પનિક-આનુમાનિક) તર્ક પ્રક્રિયાઓ સ્વાભાવિક રીતે ધીમી, વધુ ઇરાદાપૂર્વકની અને ઓછા અનુભવી પ્રેક્ટિશનરો દ્વારા વધુ વખત ઉપયોગમાં લેવાય છે [2, 19, 20]. આરોગ્યસંભાળ ક્લિનિકલ વાતાવરણની જટિલતા અને પ્રેક્ટિસ ભૂલોના સંભવિત જોખમને ધ્યાનમાં રાખીને [14,15,16], સિમ્યુલેશન-આધારિત શિક્ષણ (SBE) નો ઉપયોગ ઘણીવાર પ્રેક્ટિશનરોને યોગ્યતા અને ક્લિનિકલ તર્ક કૌશલ્ય વિકસાવવાની તકો પૂરી પાડવા માટે થાય છે. સલામત વાતાવરણ અને દર્દીની સલામતી જાળવી રાખીને વિવિધ પડકારજનક કેસોનો સામનો કરવો [21, 22, 23, 24].
સોસાયટી ફોર સિમ્યુલેશન ઇન હેલ્થ (SSH) સિમ્યુલેશનને "એવી ટેકનોલોજી તરીકે વ્યાખ્યાયિત કરે છે જે એવી પરિસ્થિતિ અથવા વાતાવરણ બનાવે છે જેમાં લોકો વાસ્તવિક જીવનની ઘટનાઓનું પ્રતિનિધિત્વ અનુભવે છે જેથી તેઓ પ્રેક્ટિસ, તાલીમ, મૂલ્યાંકન, પરીક્ષણ, અથવા માનવ પ્રણાલીઓ અથવા વર્તનની સમજ મેળવી શકે." [23] સુવ્યવસ્થિત સિમ્યુલેશન સત્રો સહભાગીઓને સલામતી જોખમો ઘટાડતી વખતે ક્લિનિકલ પરિસ્થિતિઓનું અનુકરણ કરતી પરિસ્થિતિઓમાં ડૂબી જવાની તક પૂરી પાડે છે [24,25] અને લક્ષિત શિક્ષણ તકો દ્વારા ક્લિનિકલ તર્કનો અભ્યાસ કરે છે [21,24,26,27,28] SBE ક્ષેત્રના ક્લિનિકલ અનુભવોને વધારે છે, વિદ્યાર્થીઓને એવા ક્લિનિકલ અનુભવોથી ઉજાગર કરે છે જેનો અનુભવ તેઓ વાસ્તવિક દર્દી સંભાળ સેટિંગ્સમાં ન કરી શક્યા હોય [24, 29]. આ એક બિન-ધમકીભર્યું, દોષ-મુક્ત, દેખરેખ હેઠળનું, સલામત, ઓછું જોખમ ધરાવતું શિક્ષણ વાતાવરણ છે. તે જ્ઞાન, ક્લિનિકલ કુશળતા, ક્ષમતાઓ, વિવેચનાત્મક વિચારસરણી અને ક્લિનિકલ તર્કના વિકાસને પ્રોત્સાહન આપે છે [22,29,30,31] અને આરોગ્યસંભાળ વ્યાવસાયિકોને પરિસ્થિતિના ભાવનાત્મક તણાવને દૂર કરવામાં મદદ કરી શકે છે, જેનાથી શીખવાની ક્ષમતામાં સુધારો થાય છે [22, 27, 28]. , 30, 32].
SBE દ્વારા ક્લિનિકલ તર્ક અને નિર્ણય લેવાની કુશળતાના અસરકારક વિકાસને ટેકો આપવા માટે, પોસ્ટ-સિમ્યુલેશન ડિબ્રીફિંગ પ્રક્રિયા [24, 33, 34, 35] ની ડિઝાઇન, ટેમ્પ્લેટ અને માળખા પર ધ્યાન આપવું આવશ્યક છે. પોસ્ટ-સિમ્યુલેશન રિફ્લેક્ટિવ લર્નિંગ વાર્તાલાપ (RLC) નો ઉપયોગ સહભાગીઓને પ્રતિબિંબિત કરવામાં, ક્રિયાઓ સમજાવવામાં અને ટીમવર્કના સંદર્ભમાં પીઅર સપોર્ટ અને ગ્રુપથિંકની શક્તિનો ઉપયોગ કરવામાં મદદ કરવા માટે ડિબ્રીફિંગ તકનીક તરીકે કરવામાં આવ્યો હતો [32, 33, 36]. ગ્રુપ RLC નો ઉપયોગ અવિકસિત ક્લિનિકલ તર્કનું સંભવિત જોખમ ધરાવે છે, ખાસ કરીને સહભાગીઓની વિવિધ ક્ષમતાઓ અને વરિષ્ઠતા સ્તરના સંબંધમાં. ડ્યુઅલ પ્રોસેસ મોડેલ ક્લિનિકલ તર્કની બહુપરીમાણીય પ્રકૃતિ અને વરિષ્ઠ પ્રેક્ટિશનરોની વિશ્લેષણાત્મક (કાલ્પનિક-ડિડક્ટિવ) તર્ક પ્રક્રિયાઓનો ઉપયોગ કરવાની વૃત્તિમાં તફાવત અને જુનિયર પ્રેક્ટિશનરોની બિન-વિશ્લેષણાત્મક (સાહજિક) તર્ક પ્રક્રિયાઓનો ઉપયોગ કરવાની વૃત્તિનું વર્ણન કરે છે [34, 37]. ]. આ દ્વિ તર્ક પ્રક્રિયાઓમાં વિવિધ પરિસ્થિતિઓમાં શ્રેષ્ઠ તર્ક પ્રક્રિયાઓને અનુકૂલિત કરવાનો પડકાર શામેલ છે, અને જ્યારે એક જ મોડેલિંગ જૂથમાં વરિષ્ઠ અને જુનિયર સહભાગીઓ હોય ત્યારે વિશ્લેષણાત્મક અને બિન-વિશ્લેષણાત્મક પદ્ધતિઓનો અસરકારક રીતે ઉપયોગ કેવી રીતે કરવો તે અસ્પષ્ટ અને વિવાદાસ્પદ છે. વિવિધ ક્ષમતાઓ અને અનુભવ સ્તરના હાઇ સ્કૂલ અને જુનિયર હાઇ સ્કૂલના વિદ્યાર્થીઓ વિવિધ જટિલતાના સિમ્યુલેશન દૃશ્યોમાં ભાગ લે છે [34, 37]. ક્લિનિકલ તર્કની બહુપરીમાણીય પ્રકૃતિ અવિકસિત ક્લિનિકલ તર્ક અને જ્ઞાનાત્મક ઓવરલોડના સંભવિત જોખમ સાથે સંકળાયેલી છે, ખાસ કરીને જ્યારે પ્રેક્ટિશનરો વિવિધ કેસ જટિલતા અને વરિષ્ઠતાના સ્તરો સાથે જૂથ SBE માં ભાગ લે છે [38]. એ નોંધવું મહત્વપૂર્ણ છે કે RLC નો ઉપયોગ કરીને સંખ્યાબંધ ડિબ્રીફિંગ મોડેલો હોવા છતાં, આમાંથી કોઈ પણ મોડેલ ક્લિનિકલ તર્ક કુશળતાના વિકાસ પર ચોક્કસ ધ્યાન કેન્દ્રિત કરીને ડિઝાઇન કરવામાં આવ્યું નથી, અનુભવ, યોગ્યતા, પ્રવાહ અને માહિતીના જથ્થાને ધ્યાનમાં લેતા, અને મોડેલિંગ જટિલતા પરિબળો [38]. ]. , 39]. આ બધા માટે એક માળખાગત મોડેલના વિકાસની જરૂર છે જે ક્લિનિકલ તર્કને ઑપ્ટિમાઇઝ કરવા માટે વિવિધ યોગદાન અને પ્રભાવશાળી પરિબળોને ધ્યાનમાં લે છે, જ્યારે રિપોર્ટિંગ પદ્ધતિ તરીકે પોસ્ટ-સિમ્યુલેશન RLC નો સમાવેશ કરે છે. અમે પોસ્ટ-સિમ્યુલેશન RLC ના સહયોગી ડિઝાઇન અને વિકાસ માટે સૈદ્ધાંતિક અને વૈચારિક રીતે સંચાલિત પ્રક્રિયાનું વર્ણન કરીએ છીએ. SBE માં ભાગીદારી દરમિયાન ક્લિનિકલ તર્ક કૌશલ્યોને ઑપ્ટિમાઇઝ કરવા માટે એક મોડેલ વિકસાવવામાં આવ્યું હતું, જેમાં ઑપ્ટિમાઇઝ ક્લિનિકલ તર્ક વિકાસ પ્રાપ્ત કરવા માટે વિવિધ સુવિધાજનક અને પ્રભાવિત પરિબળોને ધ્યાનમાં લેવામાં આવ્યા હતા.
RLC પોસ્ટ-સિમ્યુલેશન મોડેલ ક્લિનિકલ રિઝનિંગ, રિફ્લેક્ટિવ લર્નિંગ, એજ્યુકેશન અને સિમ્યુલેશનના હાલના મોડેલો અને સિદ્ધાંતોના આધારે સહયોગથી વિકસાવવામાં આવ્યું હતું. આ મોડેલને સંયુક્ત રીતે વિકસાવવા માટે, એક સહયોગી કાર્યકારી જૂથ (N = 18) ની રચના કરવામાં આવી હતી, જેમાં 10 ઇન્ટેન્સિવ કેર નર્સો, એક ઇન્ટેન્સિવિસ્ટ અને વિવિધ સ્તરો, અનુભવ અને લિંગના અગાઉ હોસ્પિટલમાં દાખલ દર્દીઓના ત્રણ પ્રતિનિધિઓનો સમાવેશ થતો હતો. એક ઇન્ટેન્સિવ કેર યુનિટ, 2 સંશોધન સહાયકો અને 2 વરિષ્ઠ નર્સ શિક્ષકો. આ સહ-ડિઝાઇન નવીનતા આરોગ્યસંભાળમાં વાસ્તવિક-વિશ્વનો અનુભવ ધરાવતા હિસ્સેદારો વચ્ચે પીઅર સહયોગ દ્વારા ડિઝાઇન અને વિકસાવવામાં આવી છે, કાં તો પ્રસ્તાવિત મોડેલના વિકાસમાં સામેલ આરોગ્યસંભાળ વ્યાવસાયિકો અથવા દર્દીઓ જેવા અન્ય હિસ્સેદારો [40,41,42]. સહ-ડિઝાઇન પ્રક્રિયામાં દર્દી પ્રતિનિધિઓનો સમાવેશ પ્રક્રિયામાં વધુ મૂલ્ય ઉમેરી શકે છે, કારણ કે કાર્યક્રમનો અંતિમ ધ્યેય દર્દી સંભાળ અને સલામતીમાં સુધારો કરવાનો છે [43].
કાર્યકારી જૂથે મોડેલની રચના, પ્રક્રિયાઓ અને સામગ્રી વિકસાવવા માટે 2-4 કલાકની છ વર્કશોપ યોજી હતી. વર્કશોપમાં ચર્ચા, પ્રેક્ટિસ અને સિમ્યુલેશનનો સમાવેશ થાય છે. મોડેલના તત્વો પુરાવા-આધારિત સંસાધનો, મોડેલો, સિદ્ધાંતો અને માળખાઓની શ્રેણી પર આધારિત છે. આમાં શામેલ છે: રચનાત્મક શિક્ષણ સિદ્ધાંત [44], ડ્યુઅલ લૂપ ખ્યાલ [37], ક્લિનિકલ તર્ક લૂપ [10], પ્રશંસાત્મક પૂછપરછ (AI) પદ્ધતિ [45], અને રિપોર્ટિંગ પ્લસ/ડેલ્ટા પદ્ધતિ [46]. આ મોડેલને ક્લિનિકલ અને સિમ્યુલેશન શિક્ષણ માટે આંતરરાષ્ટ્રીય નર્સ એસોસિએશનના INACSL ડિબ્રીફિંગ પ્રક્રિયા ધોરણો [36] પર આધારિત સહયોગથી વિકસાવવામાં આવ્યું હતું અને સ્વ-સ્પષ્ટીકરણ મોડેલ બનાવવા માટે કાર્યકારી ઉદાહરણો સાથે જોડવામાં આવ્યું હતું. આ મોડેલ ચાર તબક્કામાં વિકસાવવામાં આવ્યું હતું: સિમ્યુલેશન પછી રિફ્લેક્ટિવ લર્નિંગ સંવાદ માટેની તૈયારી, રિફ્લેક્ટિવ લર્નિંગ સંવાદની શરૂઆત, વિશ્લેષણ/પ્રતિબિંબ અને ડિબ્રીફિંગ (આકૃતિ 1). દરેક તબક્કાની વિગતો નીચે ચર્ચા કરવામાં આવી છે.
મોડેલનો તૈયારીનો તબક્કો સહભાગીઓને આગામી તબક્કા માટે મનોવૈજ્ઞાનિક રીતે તૈયાર કરવા અને મનોવૈજ્ઞાનિક સલામતી સુનિશ્ચિત કરતી વખતે તેમની સક્રિય ભાગીદારી અને રોકાણ વધારવા માટે રચાયેલ છે [36, 47]. આ તબક્કામાં હેતુ અને ઉદ્દેશ્યોનો પરિચય શામેલ છે; RLC ની અપેક્ષિત અવધિ; RLC દરમિયાન સુવિધા આપનાર અને સહભાગીઓની અપેક્ષાઓ; સાઇટ ઓરિએન્ટેશન અને સિમ્યુલેશન સેટઅપ; શીખવાના વાતાવરણમાં ગુપ્તતા સુનિશ્ચિત કરવી, અને મનોવૈજ્ઞાનિક સલામતી વધારવી અને વધારવી. RLC મોડેલના પૂર્વ-વિકાસ તબક્કા દરમિયાન સહ-ડિઝાઇન કાર્યકારી જૂથના નીચેના પ્રતિનિધિ પ્રતિભાવો ધ્યાનમાં લેવામાં આવ્યા હતા. સહભાગી 7: “પ્રાથમિક સંભાળ નર્સ પ્રેક્ટિશનર તરીકે, જો હું કોઈ દૃશ્યના સંદર્ભ વિના સિમ્યુલેશનમાં ભાગ લઈ રહ્યો હોત અને વૃદ્ધ વયસ્કો હાજર હોત, તો હું સંભવતઃ પોસ્ટ-સિમ્યુલેશન વાતચીતમાં ભાગ લેવાનું ટાળીશ સિવાય કે મને લાગે કે મારી મનોવૈજ્ઞાનિક સલામતીનો આદર કરવામાં આવી રહ્યો છે. અને હું સિમ્યુલેશન પછી વાતચીતમાં ભાગ લેવાનું ટાળીશ. “સુરક્ષિત રહો અને કોઈ પરિણામ નહીં આવે.” સહભાગી 4: “હું માનું છું કે ધ્યાન કેન્દ્રિત કરવાથી અને શરૂઆતમાં જ મૂળભૂત નિયમો સ્થાપિત કરવાથી સિમ્યુલેશન પછી શીખનારાઓને મદદ મળશે. પ્રતિબિંબિત શિક્ષણ વાતચીતમાં સક્રિય ભાગીદારી.”
RLC મોડેલના પ્રારંભિક તબક્કામાં સહભાગીની લાગણીઓનું અન્વેષણ કરવું, અંતર્ગત પ્રક્રિયાઓનું વર્ણન કરવું અને દૃશ્યનું નિદાન કરવું, અને સહભાગીના હકારાત્મક અને નકારાત્મક અનુભવોની યાદી બનાવવી, પરંતુ વિશ્લેષણ નહીં. આ તબક્કે મોડેલ ઉમેદવારોને સ્વ- અને કાર્ય-લક્ષી બનવા માટે પ્રોત્સાહિત કરવા માટે બનાવવામાં આવ્યું છે, તેમજ ઊંડાણપૂર્વક વિશ્લેષણ અને ઊંડાણપૂર્વક પ્રતિબિંબ માટે માનસિક રીતે તૈયાર કરવા માટે [24, 36]. ધ્યેય જ્ઞાનાત્મક ઓવરલોડ [48] ના સંભવિત જોખમને ઘટાડવાનો છે, ખાસ કરીને જેઓ મોડેલિંગના વિષયમાં નવા છે અને કુશળતા/વિષય સાથે અગાઉ કોઈ ક્લિનિકલ અનુભવ ધરાવતા નથી [49]. સહભાગીઓને સિમ્યુલેટેડ કેસનું સંક્ષિપ્તમાં વર્ણન કરવા અને ડાયગ્નોસ્ટિક ભલામણો કરવા કહેવાથી ફેસિલિટેટરને ખાતરી કરવામાં મદદ મળશે કે જૂથના વિદ્યાર્થીઓને વિસ્તૃત વિશ્લેષણ/પ્રતિબિંબ તબક્કામાં આગળ વધતા પહેલા કેસની મૂળભૂત અને સામાન્ય સમજ છે. વધુમાં, આ તબક્કે સહભાગીઓને સિમ્યુલેટેડ દૃશ્યોમાં તેમની લાગણીઓ શેર કરવા માટે આમંત્રિત કરવાથી તેમને પરિસ્થિતિના ભાવનાત્મક તણાવને દૂર કરવામાં મદદ મળશે, જેનાથી શિક્ષણમાં વધારો થશે [24, 36]. ભાવનાત્મક મુદ્દાઓને સંબોધવાથી RLC ફેસિલિટેટરને સમજવામાં પણ મદદ મળશે કે સહભાગીઓની લાગણીઓ વ્યક્તિગત અને જૂથ પ્રદર્શનને કેવી રીતે અસર કરે છે, અને પ્રતિબિંબ/વિશ્લેષણ તબક્કા દરમિયાન આની વિવેચનાત્મક ચર્ચા કરી શકાય છે. પ્લસ/ડેલ્ટા પદ્ધતિ મોડેલના આ તબક્કામાં પ્રતિબિંબ/વિશ્લેષણ તબક્કા માટે પ્રારંભિક અને નિર્ણાયક પગલા તરીકે બનાવવામાં આવી છે [46]. પ્લસ/ડેલ્ટા અભિગમનો ઉપયોગ કરીને, સહભાગીઓ અને વિદ્યાર્થીઓ બંને તેમના અવલોકનો, લાગણીઓ અને સિમ્યુલેશનના અનુભવોની પ્રક્રિયા/સૂચિ બનાવી શકે છે, જે પછી મોડેલના પ્રતિબિંબ/વિશ્લેષણ તબક્કા દરમિયાન બિંદુ દ્વારા ચર્ચા કરી શકાય છે [46]. આ સહભાગીઓને ક્લિનિકલ તર્કને ઑપ્ટિમાઇઝ કરવા માટે લક્ષિત અને પ્રાથમિકતાવાળી શીખવાની તકો દ્વારા મેટાકોગ્નિટિવ સ્થિતિ પ્રાપ્ત કરવામાં મદદ કરશે [24, 48, 49]. RLC મોડેલના પ્રારંભિક વિકાસ દરમિયાન સહ-ડિઝાઇન કાર્યકારી જૂથના નીચેના પ્રતિનિધિ પ્રતિભાવો ધ્યાનમાં લેવામાં આવ્યા હતા. સહભાગી 2: “મને લાગે છે કે એક દર્દી તરીકે જેને અગાઉ ICU માં દાખલ કરવામાં આવ્યો છે, આપણે સિમ્યુલેટેડ વિદ્યાર્થીઓની લાગણીઓ અને લાગણીઓને ધ્યાનમાં લેવાની જરૂર છે. હું આ મુદ્દો ઉઠાવું છું કારણ કે મારા પ્રવેશ દરમિયાન મેં ઉચ્ચ સ્તરનું તણાવ અને ચિંતા જોઈ હતી, ખાસ કરીને ક્રિટિકલ કેર પ્રેક્ટિશનરોમાં. અને કટોકટીની પરિસ્થિતિઓમાં. આ મોડેલમાં અનુભવનું અનુકરણ કરવા સાથે સંકળાયેલા તણાવ અને લાગણીઓને ધ્યાનમાં લેવી જોઈએ.” સહભાગી 16: “મારા માટે શિક્ષક તરીકે, મને પ્લસ/ડેલ્ટા અભિગમનો ઉપયોગ કરવો ખૂબ જ મહત્વપૂર્ણ લાગે છે જેથી વિદ્યાર્થીઓ સિમ્યુલેશન દૃશ્ય દરમિયાન અનુભવાયેલી સારી બાબતો અને જરૂરિયાતોનો ઉલ્લેખ કરીને સક્રિયપણે ભાગ લેવા માટે પ્રોત્સાહિત થાય. સુધારા માટેના ક્ષેત્રો.”
મોડેલના પાછલા તબક્કાઓ મહત્વપૂર્ણ હોવા છતાં, ક્લિનિકલ તર્કના ઑપ્ટિમાઇઝેશન માટે વિશ્લેષણ/પ્રતિબિંબ તબક્કો સૌથી મહત્વપૂર્ણ છે. તે મોડેલ કરેલા વિષયોના ક્લિનિકલ અનુભવ, ક્ષમતાઓ અને પ્રભાવના આધારે અદ્યતન વિશ્લેષણ/સંશ્લેષણ અને ઊંડાણપૂર્વક વિશ્લેષણ પ્રદાન કરવા માટે રચાયેલ છે; RLC પ્રક્રિયા અને માળખું; જ્ઞાનાત્મક ઓવરલોડ ટાળવા માટે પૂરી પાડવામાં આવતી માહિતીની માત્રા; પ્રતિબિંબિત પ્રશ્નોનો અસરકારક ઉપયોગ. શીખનાર-કેન્દ્રિત અને સક્રિય શિક્ષણ પ્રાપ્ત કરવા માટેની પદ્ધતિઓ. આ બિંદુએ, ક્લિનિકલ અનુભવ અને સિમ્યુલેશન વિષયો સાથે પરિચિતતાને અનુભવ અને ક્ષમતાના વિવિધ સ્તરોને સમાવવા માટે ત્રણ ભાગોમાં વિભાજિત કરવામાં આવે છે: પ્રથમ: કોઈ અગાઉનો ક્લિનિકલ વ્યાવસાયિક અનુભવ નથી/સિમ્યુલેશન વિષયોનો કોઈ અગાઉનો સંપર્ક નથી, બીજું: ક્લિનિકલ વ્યાવસાયિક અનુભવ, જ્ઞાન અને કુશળતા/કોઈ નહીં. મોડેલિંગ વિષયોનો અગાઉનો સંપર્ક. ત્રીજું: ક્લિનિકલ વ્યાવસાયિક અનુભવ, જ્ઞાન અને કુશળતા. મોડેલિંગ વિષયોનો વ્યાવસાયિક/પાછલો સંપર્ક. વર્ગીકરણ એક જ જૂથમાં વિવિધ અનુભવો અને ક્ષમતા સ્તર ધરાવતા લોકોની જરૂરિયાતોને સમાવવા માટે કરવામાં આવે છે, જેનાથી ઓછા અનુભવી પ્રેક્ટિશનરોની વિશ્લેષણાત્મક તર્કનો ઉપયોગ કરવાની વૃત્તિને વધુ અનુભવી પ્રેક્ટિશનરોની બિન-વિશ્લેષણાત્મક તર્ક કુશળતાનો ઉપયોગ કરવાની વૃત્તિ સાથે સંતુલિત કરવામાં આવે છે [19, 20, 34]. , 37]. RLC પ્રક્રિયા ક્લિનિકલ રિઝનિંગ ચક્ર [10], રિફ્લેક્ટિવ મોડેલિંગ ફ્રેમવર્ક [47], અને એક્સપિરિયન્શિયલ લર્નિંગ થિયરી [50] ની આસપાસ રચાયેલી હતી. આ અનેક પ્રક્રિયાઓ દ્વારા પ્રાપ્ત થાય છે: અર્થઘટન, ભિન્નતા, સંદેશાવ્યવહાર, અનુમાન અને સંશ્લેષણ.
જ્ઞાનાત્મક ઓવરલોડ ટાળવા માટે, શીખનાર-કેન્દ્રિત અને પ્રતિબિંબિત બોલવાની પ્રક્રિયાને પ્રોત્સાહન આપવાનો વિચાર કરવામાં આવ્યો હતો જેમાં સહભાગીઓ આત્મવિશ્વાસ પ્રાપ્ત કરવા માટે પ્રતિબિંબ, વિશ્લેષણ અને સંશ્લેષણ કરવા માટે પૂરતો સમય અને તકો આપે છે. RLC દરમિયાન જ્ઞાનાત્મક પ્રક્રિયાઓને ડબલ-લૂપ ફ્રેમવર્ક [37] અને જ્ઞાનાત્મક લોડ થિયરી [48] પર આધારિત એકીકરણ, પુષ્ટિકરણ, આકાર અને એકીકરણ પ્રક્રિયાઓ દ્વારા સંબોધવામાં આવે છે. અનુભવી અને બિનઅનુભવી બંને સહભાગીઓને ધ્યાનમાં રાખીને, એક સંરચિત સંવાદ પ્રક્રિયા રાખવાથી અને પ્રતિબિંબ માટે પૂરતો સમય આપવાથી, જ્ઞાનાત્મક ભારનું સંભવિત જોખમ ઘટશે, ખાસ કરીને જટિલ સિમ્યુલેશનમાં જેમાં વિવિધ અગાઉના અનુભવો, એક્સપોઝર અને સહભાગીઓના ક્ષમતા સ્તરો હોય છે. દ્રશ્ય પછી. મોડેલની પ્રતિબિંબિત પ્રશ્ન તકનીક બ્લૂમના વર્ગીકરણ મોડેલ [51] અને પ્રશંસાત્મક પૂછપરછ (AI) પદ્ધતિઓ [45] પર આધારિત છે, જેમાં મોડેલ કરેલ સુવિધાકર્તા પગલું-દર-પગલાં, સોક્રેટિક અને પ્રતિબિંબિત રીતે વિષયનો સંપર્ક કરે છે. જ્ઞાન-આધારિત પ્રશ્નોથી શરૂ કરીને પ્રશ્નો પૂછો. અને તર્ક સંબંધિત કુશળતા અને મુદ્દાઓને સંબોધિત કરો. આ પ્રશ્ન તકનીક જ્ઞાનાત્મક ઓવરલોડના ઓછા જોખમ સાથે સક્રિય સહભાગી ભાગીદારી અને પ્રગતિશીલ વિચારસરણીને પ્રોત્સાહિત કરીને ક્લિનિકલ તર્કના ઑપ્ટિમાઇઝેશનમાં સુધારો કરશે. RLC મોડેલ વિકાસના વિશ્લેષણ/પ્રતિબિંબ તબક્કા દરમિયાન સહ-ડિઝાઇન કાર્યકારી જૂથના નીચેના પ્રતિનિધિ પ્રતિભાવો ધ્યાનમાં લેવામાં આવ્યા હતા. સહભાગી ૧૩: “જ્ઞાનાત્મક ઓવરલોડ ટાળવા માટે, આપણે પોસ્ટ-સિમ્યુલેશન લર્નિંગ વાતચીતમાં જોડાતી વખતે માહિતીના જથ્થા અને પ્રવાહને ધ્યાનમાં લેવાની જરૂર છે, અને આ કરવા માટે, મને લાગે છે કે વિદ્યાર્થીઓને મૂળભૂત બાબતોથી પ્રતિબિંબિત કરવા અને શરૂઆત કરવા માટે પૂરતો સમય આપવો મહત્વપૂર્ણ છે. જ્ઞાન. વાતચીત અને કુશળતા શરૂ કરે છે, પછી મેટાકોગ્નિશન પ્રાપ્ત કરવા માટે જ્ઞાન અને કુશળતાના ઉચ્ચ સ્તરો તરફ આગળ વધે છે.” સહભાગી ૯: “હું દ્રઢપણે માનું છું કે પ્રશંસાત્મક પૂછપરછ (AI) તકનીકોનો ઉપયોગ કરીને પ્રશ્ન પદ્ધતિઓ અને બ્લૂમના વર્ગીકરણ મોડેલનો ઉપયોગ કરીને પ્રતિબિંબિત પ્રશ્ન જ્ઞાનાત્મક ઓવરલોડના જોખમની સંભાવનાને ઘટાડીને સક્રિય શિક્ષણ અને શીખનાર-કેન્દ્રિતતાને પ્રોત્સાહન આપશે.” મોડેલના ડિબ્રીફિંગ તબક્કાનો હેતુ RLC દરમિયાન ઉઠાવવામાં આવેલા શીખવાના મુદ્દાઓનો સારાંશ આપવાનો અને ખાતરી કરવાનો છે કે શીખવાના ઉદ્દેશ્યો સાકાર થાય છે. સહભાગી ૮: “તે ખૂબ જ મહત્વપૂર્ણ છે કે શીખનાર અને સુવિધા આપનાર બંને વ્યવહારમાં આગળ વધતી વખતે ધ્યાનમાં લેવાના સૌથી મહત્વપૂર્ણ મુખ્ય વિચારો અને મુખ્ય પાસાઓ પર સંમત થાય.”
પ્રોટોકોલ નંબરો (MRC-01-22-117) અને (HSK/PGR/UH/04728) હેઠળ નૈતિક મંજૂરી મેળવવામાં આવી હતી. મોડેલની ઉપયોગીતા અને વ્યવહારિકતાનું મૂલ્યાંકન કરવા માટે મોડેલનું ત્રણ વ્યાવસાયિક સઘન સંભાળ સિમ્યુલેશન અભ્યાસક્રમોમાં પરીક્ષણ કરવામાં આવ્યું હતું. મોડેલની ફેસ વેલિડિટીનું મૂલ્યાંકન સહ-ડિઝાઇન કાર્યકારી જૂથ (N = 18) અને શૈક્ષણિક નિર્દેશકો (N = 6) દ્વારા દેખાવ, વ્યાકરણ અને પ્રક્રિયા સંબંધિત મુદ્દાઓને સુધારવા માટે કરવામાં આવ્યું હતું. ફેસ વેલિડિટી પછી, સામગ્રીની માન્યતા વરિષ્ઠ નર્સ શિક્ષકો (N = 6) દ્વારા નક્કી કરવામાં આવી હતી જેઓ અમેરિકન નર્સ ક્રેડેન્શિયલિંગ સેન્ટર (ANCC) દ્વારા પ્રમાણિત હતા અને શૈક્ષણિક આયોજકો તરીકે સેવા આપી હતી, અને (N = 6) જેમની પાસે 10 વર્ષથી વધુ શિક્ષણ અને શિક્ષણનો અનુભવ હતો. કાર્ય અનુભવ આ મૂલ્યાંકન શૈક્ષણિક નિર્દેશકો (N = 6) દ્વારા હાથ ધરવામાં આવ્યું હતું. મોડેલિંગનો અનુભવ. સામગ્રીની માન્યતા સામગ્રી માન્યતા ગુણોત્તર (CVR) અને સામગ્રી માન્યતા સૂચકાંક (CVI) નો ઉપયોગ કરીને નક્કી કરવામાં આવી હતી. CVI નો અંદાજ કાઢવા માટે Lawshe પદ્ધતિ [52] નો ઉપયોગ કરવામાં આવ્યો હતો, અને CVR નો અંદાજ કાઢવા માટે Waltz અને Bausell [53] ની પદ્ધતિનો ઉપયોગ કરવામાં આવ્યો હતો. CVR પ્રોજેક્ટ્સ જરૂરી, ઉપયોગી છે, પરંતુ જરૂરી કે વૈકલ્પિક નથી. CVI ને સુસંગતતા, સરળતા અને સ્પષ્ટતાના આધારે ચાર-પોઇન્ટ સ્કેલ પર સ્કોર કરવામાં આવે છે, જેમાં 1 = સંબંધિત નથી, 2 = કંઈક અંશે સંબંધિત, 3 = સંબંધિત, અને 4 = ખૂબ જ સુસંગત છે. ચહેરા અને સામગ્રીની માન્યતા ચકાસ્યા પછી, વ્યવહારુ વર્કશોપ ઉપરાંત, મોડેલનો ઉપયોગ કરનારા શિક્ષકો માટે ઓરિએન્ટેશન અને ઓરિએન્ટેશન સત્રો યોજવામાં આવ્યા હતા.
કાર્ય જૂથ સઘન સંભાળ એકમોમાં SBE માં ભાગીદારી દરમિયાન ક્લિનિકલ તર્ક કૌશલ્યને ઑપ્ટિમાઇઝ કરવા માટે પોસ્ટ-સિમ્યુલેશન RLC મોડેલ વિકસાવવા અને પરીક્ષણ કરવામાં સક્ષમ હતું (આકૃતિઓ 1, 2, અને 3). CVR = 1.00, CVI = 1.00, યોગ્ય ચહેરો અને સામગ્રી માન્યતા પ્રતિબિંબિત કરે છે [52, 53].
આ મોડેલ ગ્રુપ SBE માટે બનાવવામાં આવ્યું હતું, જ્યાં સમાન અથવા અલગ સ્તરના અનુભવ, જ્ઞાન અને વરિષ્ઠતા ધરાવતા સહભાગીઓ માટે ઉત્તેજક અને પડકારજનક દૃશ્યોનો ઉપયોગ કરવામાં આવે છે. RLC કન્સેપ્ટિવ મોડેલ INACSL ફ્લાઇટ સિમ્યુલેશન વિશ્લેષણ ધોરણો [36] અનુસાર વિકસાવવામાં આવ્યું હતું અને તે શીખનાર-કેન્દ્રિત અને સ્વ-સ્પષ્ટીકરણાત્મક છે, જેમાં કાર્ય કરેલા ઉદાહરણોનો સમાવેશ થાય છે (આકૃતિઓ 1, 2 અને 3). મોડેલને હેતુપૂર્વક વિકસાવવામાં આવ્યું હતું અને મોડેલિંગ ધોરણોને પૂર્ણ કરવા માટે ચાર તબક્કામાં વિભાજિત કરવામાં આવ્યું હતું: બ્રીફિંગથી શરૂ કરીને, ત્યારબાદ પ્રતિબિંબિત વિશ્લેષણ/સંશ્લેષણ, અને માહિતી અને સારાંશ સાથે સમાપ્ત થાય છે. જ્ઞાનાત્મક ઓવરલોડના સંભવિત જોખમને ટાળવા માટે, મોડેલના દરેક તબક્કાને હેતુપૂર્વક આગામી તબક્કા માટે પૂર્વશરત તરીકે ડિઝાઇન કરવામાં આવ્યું છે [34].
RLC માં ભાગીદારી પર વરિષ્ઠતા અને જૂથ સંવાદિતા પરિબળોનો પ્રભાવ અગાઉ અભ્યાસ કરવામાં આવ્યો નથી [38]. સિમ્યુલેશન પ્રેક્ટિસમાં ડબલ લૂપ અને જ્ઞાનાત્મક ઓવરલોડ સિદ્ધાંતના વ્યવહારુ ખ્યાલોને ધ્યાનમાં લેતા [34, 37], એ ધ્યાનમાં લેવું મહત્વપૂર્ણ છે કે સમાન સિમ્યુલેશન જૂથમાં સહભાગીઓના વિવિધ અનુભવો અને ક્ષમતા સ્તરો સાથે જૂથ SBE માં ભાગ લેવો એ એક પડકાર છે. માહિતીના જથ્થા, પ્રવાહ અને શિક્ષણના માળખાની અવગણના, તેમજ હાઇ સ્કૂલ અને જુનિયર હાઇ સ્કૂલના વિદ્યાર્થીઓ દ્વારા ઝડપી અને ધીમી જ્ઞાનાત્મક પ્રક્રિયાઓનો એક સાથે ઉપયોગ જ્ઞાનાત્મક ઓવરલોડનું સંભવિત જોખમ ઊભું કરે છે [18, 38, 46]. અવિકસિત અને/અથવા સબઓપ્ટિમલ ક્લિનિકલ તર્ક ટાળવા માટે RLC મોડેલ વિકસાવતી વખતે આ પરિબળો ધ્યાનમાં લેવામાં આવ્યા હતા [18, 38]. એ ધ્યાનમાં લેવું મહત્વપૂર્ણ છે કે વરિષ્ઠતા અને યોગ્યતાના વિવિધ સ્તરો સાથે RLCનું સંચાલન વરિષ્ઠ સહભાગીઓમાં પ્રભુત્વ અસરનું કારણ બને છે. આવું થાય છે કારણ કે અદ્યતન સહભાગીઓ મૂળભૂત ખ્યાલો શીખવાનું ટાળે છે, જે યુવાન સહભાગીઓ માટે મેટાકોગ્નિશન પ્રાપ્ત કરવા અને ઉચ્ચ-સ્તરની વિચારસરણી અને તર્ક પ્રક્રિયાઓમાં પ્રવેશવા માટે મહત્વપૂર્ણ છે [38, 47]. RLC મોડેલ સિનિયર અને જુનિયર નર્સોને પ્રશંસાત્મક પૂછપરછ અને ડેલ્ટા અભિગમ [45, 46, 51] દ્વારા જોડવા માટે રચાયેલ છે. આ પદ્ધતિઓનો ઉપયોગ કરીને, વિવિધ ક્ષમતાઓ અને અનુભવના સ્તરો ધરાવતા સિનિયર અને જુનિયર સહભાગીઓના મંતવ્યો આઇટમ દ્વારા આઇટમ રજૂ કરવામાં આવશે અને ડિબ્રીફિંગ મોડરેટર અને સહ-મધ્યસ્થીઓ દ્વારા પ્રતિબિંબિત રીતે ચર્ચા કરવામાં આવશે [45, 51]. સિમ્યુલેશન સહભાગીઓના ઇનપુટ ઉપરાંત, ડિબ્રીફિંગ ફેસિલિટેટર તેમના ઇનપુટ ઉમેરે છે જેથી ખાતરી કરી શકાય કે બધા સામૂહિક અવલોકનો દરેક શીખવાની ક્ષણને વ્યાપકપણે આવરી લે છે, જેનાથી ક્લિનિકલ તર્કને ઑપ્ટિમાઇઝ કરવા માટે મેટાકોગ્નિશનમાં વધારો થાય છે [10].
RLC મોડેલનો ઉપયોગ કરીને માહિતી પ્રવાહ અને શીખવાની રચનાને વ્યવસ્થિત અને બહુ-પગલાની પ્રક્રિયા દ્વારા સંબોધવામાં આવે છે. આ સુવિધા આપનારાઓને ડીબ્રીફિંગ કરવામાં મદદ કરવા અને ખાતરી કરવા માટે છે કે દરેક સહભાગી આગલા તબક્કામાં આગળ વધતા પહેલા દરેક તબક્કે સ્પષ્ટ અને આત્મવિશ્વાસથી બોલે. મોડરેટર પ્રતિબિંબિત ચર્ચાઓ શરૂ કરી શકશે જેમાં બધા સહભાગીઓ ભાગ લેશે, અને એક એવા બિંદુ સુધી પહોંચશે જ્યાં વિવિધ વરિષ્ઠતા અને ક્ષમતા સ્તરના સહભાગીઓ આગામી [38] પર આગળ વધતા પહેલા દરેક ચર્ચા બિંદુ માટે શ્રેષ્ઠ પ્રથાઓ પર સંમત થાય. આ અભિગમનો ઉપયોગ અનુભવી અને સક્ષમ સહભાગીઓને તેમના યોગદાન/અવલોકનો શેર કરવામાં મદદ કરશે, જ્યારે ઓછા અનુભવી અને સક્ષમ સહભાગીઓના યોગદાન/અવલોકનોનું મૂલ્યાંકન અને ચર્ચા કરવામાં આવશે [38]. જો કે, આ ધ્યેય પ્રાપ્ત કરવા માટે, સુવિધા આપનારાઓને ચર્ચાઓને સંતુલિત કરવાના પડકારનો સામનો કરવો પડશે અને વરિષ્ઠ અને જુનિયર સહભાગીઓ માટે સમાન તકો પૂરી પાડવી પડશે. આ હેતુ માટે, મોડેલ સર્વે પદ્ધતિ હેતુપૂર્વક બ્લૂમના વર્ગીકરણ મોડેલનો ઉપયોગ કરીને વિકસાવવામાં આવી હતી, જે મૂલ્યાંકન સર્વેક્ષણ અને ઉમેરણ/ડેલ્ટા પદ્ધતિ [45, 46, 51] ને જોડે છે. આ તકનીકોનો ઉપયોગ કરીને અને કેન્દ્રીય પ્રશ્નો/ચિંતનશીલ ચર્ચાઓના જ્ઞાન અને સમજણથી શરૂઆત કરવાથી ઓછા અનુભવી સહભાગીઓને ચર્ચામાં ભાગ લેવા અને સક્રિયપણે ભાગ લેવા માટે પ્રોત્સાહિત કરવામાં આવશે, ત્યારબાદ સુવિધા આપનાર ધીમે ધીમે પ્રશ્નો/ચર્ચાઓના મૂલ્યાંકન અને સંશ્લેષણના ઉચ્ચ સ્તર તરફ આગળ વધશે જેમાં બંને પક્ષોએ સિનિયર અને જુનિયર સહભાગીઓને તેમના અગાઉના અનુભવ અને ક્લિનિકલ કુશળતા અથવા સિમ્યુલેટેડ દૃશ્યોના અનુભવના આધારે ભાગ લેવાની સમાન તક આપવી પડશે. આ અભિગમ ઓછા અનુભવી સહભાગીઓને સક્રિય રીતે ભાગ લેવામાં અને વધુ અનુભવી સહભાગીઓ દ્વારા શેર કરાયેલા અનુભવો તેમજ ડિબ્રીફિંગ સુવિધા આપનારના ઇનપુટનો લાભ લેવામાં મદદ કરશે. બીજી બાજુ, મોડેલ ફક્ત વિવિધ સહભાગી ક્ષમતાઓ અને અનુભવ સ્તરો ધરાવતા SBE માટે જ નહીં, પરંતુ સમાન અનુભવ અને ક્ષમતા સ્તરો ધરાવતા SBE જૂથના સહભાગીઓ માટે પણ ડિઝાઇન કરવામાં આવ્યું છે. આ મોડેલ જ્ઞાન અને સમજણ પર ધ્યાન કેન્દ્રિત કરવાથી સંશ્લેષણ અને મૂલ્યાંકન પર ધ્યાન કેન્દ્રિત કરવા માટે જૂથની સરળ અને વ્યવસ્થિત હિલચાલને સરળ બનાવવા માટે ડિઝાઇન કરવામાં આવ્યું હતું જેથી શીખવાના લક્ષ્યો પ્રાપ્ત થાય. મોડેલ માળખું અને પ્રક્રિયાઓ વિવિધ અને સમાન ક્ષમતાઓ અને અનુભવ સ્તરોના મોડેલિંગ જૂથોને અનુરૂપ બનાવવામાં આવી છે.
વધુમાં, જોકે RLC સાથે સંયોજનમાં આરોગ્યસંભાળમાં SBE નો ઉપયોગ પ્રેક્ટિશનરોમાં ક્લિનિકલ તર્ક અને ક્ષમતા વિકસાવવા માટે થાય છે [22,30,38], તેમ છતાં, કેસ જટિલતા અને જ્ઞાનાત્મક ઓવરલોડના સંભવિત જોખમો સંબંધિત સંબંધિત પરિબળો ધ્યાનમાં લેવા જોઈએ, ખાસ કરીને જ્યારે સહભાગીઓ SBE દૃશ્યોમાં સામેલ હોય જેમાં તાત્કાલિક હસ્તક્ષેપ અને નિર્ણાયક નિર્ણય લેવાની જરૂર હોય તેવા અત્યંત જટિલ, ગંભીર રીતે બીમાર દર્દીઓનું અનુકરણ કરવામાં આવે છે [2,18,37,38,47,48]. આ માટે, SBE માં ભાગ લેતી વખતે અનુભવી અને ઓછા અનુભવી બંને સહભાગીઓની વિશ્લેષણાત્મક અને બિન-વિશ્લેષણાત્મક તર્ક પ્રણાલીઓ વચ્ચે એકસાથે સ્વિચ કરવાની વૃત્તિને ધ્યાનમાં લેવી મહત્વપૂર્ણ છે, અને પુરાવા-આધારિત અભિગમ સ્થાપિત કરવો મહત્વપૂર્ણ છે જે વૃદ્ધ અને નાના બંને વિદ્યાર્થીઓને શીખવાની પ્રક્રિયામાં સક્રિયપણે ભાગ લેવાની મંજૂરી આપે છે. આમ, મોડેલ એવી રીતે ડિઝાઇન કરવામાં આવ્યું હતું કે, રજૂ કરાયેલ સિમ્યુલેટેડ કેસની જટિલતાને ધ્યાનમાં લીધા વિના, સુવિધા આપનારએ ખાતરી કરવી જોઈએ કે વરિષ્ઠ અને જુનિયર બંને સહભાગીઓના જ્ઞાન અને પૃષ્ઠભૂમિ સમજણના પાસાઓને પહેલા આવરી લેવામાં આવે અને પછી વિશ્લેષણને સરળ બનાવવા માટે ધીમે ધીમે અને પ્રતિબિંબિત રીતે વિકસાવવામાં આવે. સંશ્લેષણ અને સમજણ. મૂલ્યાંકનાત્મક પાસું. આનાથી નાના વિદ્યાર્થીઓને તેઓ જે શીખ્યા છે તેનું નિર્માણ અને સંકલન કરવામાં મદદ મળશે, અને મોટા વિદ્યાર્થીઓને નવા જ્ઞાનનું સંશ્લેષણ અને વિકાસ કરવામાં મદદ મળશે. આ દરેક સહભાગીના અગાઉના અનુભવ અને ક્ષમતાઓને ધ્યાનમાં લેતા, તર્ક પ્રક્રિયા માટેની આવશ્યકતાઓને પૂર્ણ કરશે, અને એક સામાન્ય ફોર્મેટ ધરાવશે જે હાઇ સ્કૂલ અને જુનિયર હાઇ સ્કૂલના વિદ્યાર્થીઓના વિશ્લેષણાત્મક અને બિન-વિશ્લેષણાત્મક તર્ક પ્રણાલીઓ વચ્ચે એકસાથે આગળ વધવાની વૃત્તિને સંબોધિત કરશે, જેનાથી ક્લિનિકલ તર્કનું ઑપ્ટિમાઇઝેશન સુનિશ્ચિત થશે.
વધુમાં, સિમ્યુલેશન ફેસિલિટેટર્સ/ડિબ્રીફર્સ માટે સિમ્યુલેશન ડિબ્રીફિંગ કૌશલ્યમાં નિપુણતા મેળવવામાં મુશ્કેલી પડી શકે છે. જ્ઞાનાત્મક ડિબ્રીફિંગ સ્ક્રિપ્ટ્સનો ઉપયોગ સ્ક્રિપ્ટ્સનો ઉપયોગ ન કરતા લોકોની તુલનામાં ફેસિલિટેટર્સના જ્ઞાન સંપાદન અને વર્તણૂકીય કૌશલ્યને સુધારવામાં અસરકારક હોવાનું માનવામાં આવે છે [54]. દૃશ્યો એક જ્ઞાનાત્મક સાધન છે જે શિક્ષકોના મોડેલિંગ કાર્યને સરળ બનાવી શકે છે અને ડિબ્રીફિંગ કૌશલ્યને સુધારી શકે છે, ખાસ કરીને શિક્ષકો માટે કે જેઓ હજુ પણ તેમના ડિબ્રીફિંગ અનુભવને એકીકૃત કરી રહ્યા છે [55]. વધુ ઉપયોગીતા પ્રાપ્ત કરો અને વપરાશકર્તા-મૈત્રીપૂર્ણ મોડેલ્સ વિકસાવો. (આકૃતિ 2 અને આકૃતિ 3).
હાલમાં ઉપલબ્ધ સિમ્યુલેશન વિશ્લેષણ અને માર્ગદર્શિત પ્રતિબિંબ મોડેલોમાં પ્લસ/ડેલ્ટા, પ્રશંસાત્મક સર્વેક્ષણ અને બ્લૂમના વર્ગીકરણ સર્વેક્ષણ પદ્ધતિઓના સમાંતર એકીકરણ પર હજુ સુધી ધ્યાન આપવામાં આવ્યું નથી. આ પદ્ધતિઓનું એકીકરણ RLC મોડેલની નવીનતાને પ્રકાશિત કરે છે, જેમાં ક્લિનિકલ તર્ક અને શીખનાર-કેન્દ્રિતતાના ઑપ્ટિમાઇઝેશન પ્રાપ્ત કરવા માટે આ પદ્ધતિઓને એક જ ફોર્મેટમાં સંકલિત કરવામાં આવે છે. તબીબી શિક્ષકો સહભાગીઓની ક્લિનિકલ તર્ક ક્ષમતાઓને સુધારવા અને ઑપ્ટિમાઇઝ કરવા માટે RLC મોડેલનો ઉપયોગ કરીને મોડેલિંગ જૂથ SBE થી લાભ મેળવી શકે છે. મોડેલના દૃશ્યો શિક્ષકોને પ્રતિબિંબિત ડિબ્રીફિંગની પ્રક્રિયામાં નિપુણતા મેળવવામાં અને આત્મવિશ્વાસપૂર્ણ અને સક્ષમ ડિબ્રીફિંગ સુવિધા આપનારા બનવા માટે તેમની કુશળતાને મજબૂત બનાવવામાં મદદ કરી શકે છે.
SBE માં ઘણી બધી વિવિધ પદ્ધતિઓ અને તકનીકોનો સમાવેશ થઈ શકે છે, જેમાં મેનેક્વિન-આધારિત SBE, ટાસ્ક સિમ્યુલેટર, દર્દી સિમ્યુલેટર, પ્રમાણિત દર્દીઓ, વર્ચ્યુઅલ અને ઓગમેન્ટેડ રિયાલિટીનો સમાવેશ થાય છે પરંતુ તે મર્યાદિત નથી. રિપોર્ટિંગ એ એક મહત્વપૂર્ણ મોડેલિંગ માપદંડ છે તે ધ્યાનમાં લેતા, આ મોડ્સનો ઉપયોગ કરતી વખતે સિમ્યુલેટેડ RLC મોડેલનો રિપોર્ટિંગ મોડેલ તરીકે ઉપયોગ કરી શકાય છે. વધુમાં, જો કે આ મોડેલ નર્સિંગ શિસ્ત માટે વિકસાવવામાં આવ્યું હતું, તે આંતર-વ્યાવસાયિક આરોગ્યસંભાળ SBE માં ઉપયોગ માટે સંભવિત છે, જે આંતર-વ્યાવસાયિક શિક્ષણ માટે RLC મોડેલનું પરીક્ષણ કરવા માટે ભવિષ્યના સંશોધન પહેલની જરૂરિયાત પર પ્રકાશ પાડે છે.
SBE સઘન સંભાળ એકમોમાં નર્સિંગ સંભાળ માટે પોસ્ટ-સિમ્યુલેશન RLC મોડેલનો વિકાસ અને મૂલ્યાંકન. અન્ય આરોગ્ય સંભાળ શાખાઓ અને આંતર-વ્યાવસાયિક SBE માં ઉપયોગ માટે મોડેલની સામાન્યીકરણક્ષમતા વધારવા માટે મોડેલનું ભવિષ્ય મૂલ્યાંકન/માન્યતા કરવાની ભલામણ કરવામાં આવે છે.
આ મોડેલ સિદ્ધાંત અને ખ્યાલ પર આધારિત સંયુક્ત કાર્યકારી જૂથ દ્વારા વિકસાવવામાં આવ્યું હતું. મોડેલની માન્યતા અને સામાન્યીકરણક્ષમતા સુધારવા માટે, ભવિષ્યમાં તુલનાત્મક અભ્યાસો માટે ઉન્નત વિશ્વસનીયતા માપદંડોનો ઉપયોગ ધ્યાનમાં લઈ શકાય છે.
પ્રેક્ટિસ ભૂલોને ઘટાડવા માટે, પ્રેક્ટિશનરો પાસે સલામત અને યોગ્ય ક્લિનિકલ નિર્ણય લેવાની ખાતરી કરવા માટે અસરકારક ક્લિનિકલ તર્ક કુશળતા હોવી આવશ્યક છે. SBE RLC ને ડિબ્રીફિંગ તકનીક તરીકે ઉપયોગ કરવાથી ક્લિનિકલ તર્ક વિકસાવવા માટે જરૂરી જ્ઞાન અને વ્યવહારુ કુશળતાના વિકાસને પ્રોત્સાહન મળે છે. જો કે, ક્લિનિકલ તર્કની બહુપરીમાણીય પ્રકૃતિ, જે અગાઉના અનુભવ અને સંપર્ક, ક્ષમતા, વોલ્યુમ અને માહિતીના પ્રવાહમાં ફેરફાર અને સિમ્યુલેશન દૃશ્યોની જટિલતા સાથે સંબંધિત છે, પોસ્ટ-સિમ્યુલેશન RLC મોડેલ્સ વિકસાવવાના મહત્વને પ્રકાશિત કરે છે જેના દ્વારા ક્લિનિકલ તર્કને સક્રિય અને અસરકારક રીતે અમલમાં મૂકી શકાય છે. કુશળતા. આ પરિબળોને અવગણવાથી અવિકસિત અને સબઓપ્ટિમલ ક્લિનિકલ તર્ક થઈ શકે છે. જૂથ સિમ્યુલેશન પ્રવૃત્તિઓમાં ભાગ લેતી વખતે ક્લિનિકલ તર્કને ઑપ્ટિમાઇઝ કરવા માટે આ પરિબળોને સંબોધવા માટે RLC મોડેલ વિકસાવવામાં આવ્યું હતું. આ ધ્યેય પ્રાપ્ત કરવા માટે, મોડેલ એકસાથે પ્લસ/માઈનસ મૂલ્યાંકન પૂછપરછ અને બ્લૂમના વર્ગીકરણના ઉપયોગને એકીકૃત કરે છે.
વર્તમાન અભ્યાસ દરમિયાન ઉપયોગમાં લેવાયેલા અને/અથવા વિશ્લેષણ કરાયેલા ડેટાસેટ્સ સંબંધિત લેખક પાસેથી વાજબી વિનંતી પર ઉપલબ્ધ છે.
ડેનિયલ એમ, રેન્સિક જે, ડર્નિંગ એસજે, હોલ્મ્બો ઇ, સેન્ટેન એસએ, લેંગ ડબલ્યુ, રેટક્લિફ ટી, ગોર્ડન ડી, હેઇસ્ટ બી, લુબાર્સ્કી એસ, એસ્ટ્રાડા કેએ. ક્લિનિકલ રિઝનિંગનું મૂલ્યાંકન કરવાની પદ્ધતિઓ: સમીક્ષા અને પ્રેક્ટિસ ભલામણો. એકેડેમી ઓફ મેડિકલ સાયન્સિસ. 2019;94(6):902–12.
યંગ એમઇ, થોમસ એ., લુબાર્સ્કી એસ., ગોર્ડન ડી., ગ્રુપેન એલડી, રેન્સિચ જે., બેલાર્ડ ટી., હોલ્મ્બો ઇ., ડા સિલ્વા એ., રેટક્લિફ ટી., શુવિર્થ એલ. આરોગ્ય વ્યવસાયોમાં ક્લિનિકલ તર્ક પર સાહિત્ય સરખામણી: એક સ્કોપિંગ સમીક્ષા. બીએમસી મેડિકલ એજ્યુકેશન. 2020;20(1):1–1.
ગુરેરો જેજી. નર્સિંગ પ્રેક્ટિસ રિઝનિંગ મોડેલ: નર્સિંગમાં ક્લિનિકલ રિઝનિંગ, ડિસિઝન મેકિંગ અને જજમેન્ટની કલા અને વિજ્ઞાન. નર્સ જર્નલ ખોલો. 2019;9(2):79–88.
અલમોમાની E, Alraouch T, Saada O, Al Nsour A, Kamble M, Samuel J, Atallah K, Mustafa E. રિફ્લેક્ટિવ લર્નિંગ ડાયલોગ એઝ એ ​​ક્લિનિકલ લર્નિંગ એન્ડ ટીચિંગ મેથડ ઇન ક્રિટિકલ કેર. કતાર મેડિકલ જર્નલ. 2020;2019;1(1):64.
મામેદ એસ., વેન ગો ટી., સેમ્પાઇઓ એએમ, ડી ફારિયા આરએમ, મારિયા જેપી, શ્મિટ એચજી ક્લિનિકલ કેસોમાં પ્રેક્ટિસ કરવાથી વિદ્યાર્થીઓની ડાયગ્નોસ્ટિક કુશળતાને કેવી રીતે ફાયદો થાય છે? સમાન અને નવા વિકારોના ભવિષ્યના નિદાન પર માળખાગત પ્રતિબિંબની અસરો. એકેડેમી ઓફ મેડિકલ સાયન્સિસ. 2014;89(1):121–7.
ટુટ્ટીસી એન, થિયોબાલ્ડ કેએ, રેમ્સબોથમ જે, જોહ્નસ્ટન એસ. સિમ્યુલેશનમાં નિરીક્ષક ભૂમિકાઓ અને ક્લિનિકલ તર્કનું અન્વેષણ: એક સ્કોપિંગ સમીક્ષા. નર્સ એજ્યુકેશન પ્રેક્ટિસ 2022 જાન્યુઆરી 20: 103301.
એડવર્ડ્સ I, ​​જોન્સ એમ, કાર જે, બ્રૌનાક-મેયર એ, જેન્સન જીએમ. શારીરિક ઉપચારમાં ક્લિનિકલ રિઝનિંગ સ્ટ્રેટેજીસ. ફિઝીયોથેરાપી. 2004;84(4):312–30.
કુઇપર આર, પેસુટ ડી, કૌટ્ઝ ડી. તબીબી વિદ્યાર્થીઓમાં ક્લિનિકલ તર્ક કૌશલ્યના સ્વ-નિયમનને પ્રોત્સાહન આપવું. ઓપન જર્નલ નર્સ 2009;3:76.
લેવેટ-જોન્સ ટી, હોફમેન કે, ડેમ્પ્સી જે, જીઓન એસવાય, નોબલ ડી, નોર્ટન કેએ, રોશે જે, હિકી એન. ક્લિનિકલ રિઝનિંગના "પાંચ અધિકારો": જોખમી દર્દીઓને ઓળખવા અને તેનું સંચાલન કરવામાં ક્લિનિકલ ક્ષમતા સુધારવા માટે એક શૈક્ષણિક મોડેલ. આજે નર્સિંગ શિક્ષણ. 2010;30(6):515–20.
બ્રેન્ટનલ જે, ઠાકરે ડી, જુડ બી. પ્લેસમેન્ટ અને સિમ્યુલેશન સેટિંગ્સમાં તબીબી વિદ્યાર્થીઓના ક્લિનિકલ તર્કનું મૂલ્યાંકન: એક વ્યવસ્થિત સમીક્ષા. ઇન્ટરનેશનલ જર્નલ ઓફ એન્વાયર્નમેન્ટલ રિસર્ચ, પબ્લિક હેલ્થ. 2022;19(2):936.
ચેમ્બરલેન ડી, પોલોક ડબલ્યુ, ફુલબ્રુક પી. ક્રિટિકલ કેર નર્સિંગ માટે ACCCN ધોરણો: એક પદ્ધતિસરની સમીક્ષા, પુરાવા વિકાસ અને મૂલ્યાંકન. ઇમરજન્સી ઓસ્ટ્રેલિયા. 2018;31(5):292–302.
કુન્હા એલડી, પેસ્ટાના-સાન્ટોસ એમ, લોમ્બા એલ, રીસ સાન્ટોસ એમ. પોસ્ટએનેસ્થેસિયા કેરમાં ક્લિનિકલ તર્કમાં અનિશ્ચિતતા: જટિલ આરોગ્યસંભાળ સેટિંગ્સમાં અનિશ્ચિતતાના મોડેલો પર આધારિત એક સંકલિત સમીક્ષા. જે પેરીઓપરેટિવ નર્સ. 2022;35(2):e32–40.
રિવાઝ એમ, તાવાકોલિનિયા એમ, મોમેનાસબ એમ. ક્રિટિકલ કેર નર્સોનું વ્યાવસાયિક પ્રેક્ટિસ વાતાવરણ અને નર્સિંગ પરિણામો સાથે તેનું જોડાણ: એક માળખાકીય સમીકરણ મોડેલિંગ અભ્યાસ. સ્કેન્ડ જે કેરિંગ સાયન્સ. 2021;35(2):609–15.
સુવર્દિયાન્ટો એચ, અસ્તુતિ વી.વી., કોમ્પિટન્સ. નર્સિંગ અને ક્રિટિકલ કેર પ્રેક્ટિસ જર્નલ એક્સચેન્જ ફોર સ્ટુડન્ટ નર્સ ઇન ધ ક્રિટિકલ કેર યુનિટ (જેએસસીસી). સ્ટ્રાડા મેગેઝિન ઇલ્મિયા કેસેહટન. 2020;9(2):686–93.
લીવ બી, દેજેન તિલાહુન એ, કાસ્યુ ટી. સઘન સંભાળ એકમ નર્સોમાં શારીરિક મૂલ્યાંકન સાથે સંકળાયેલ જ્ઞાન, વલણ અને પરિબળો: એક બહુકેન્દ્રીય ક્રોસ-સેક્શનલ અભ્યાસ. ક્રિટિકલ કેરમાં સંશોધન પ્રથા. 2020;9145105.
સુલિવાન જે., હ્યુગિલ કે., એ. એલરોશ ટીએ, મેથિયાસ જે., અલ્ખેતિમી એમઓ મધ્ય પૂર્વીય દેશના સાંસ્કૃતિક સંદર્ભમાં નર્સો અને મિડવાઇફ્સ માટે યોગ્યતા માળખાનું પાયલોટ અમલીકરણ. નર્સ શિક્ષણ પ્રથા. 2021;51:102969.
વાંગ એમએસ, થોર ઇ, હડસન જેએન. સ્ક્રિપ્ટ સુસંગતતા પરીક્ષણોમાં પ્રતિભાવ પ્રક્રિયાની માન્યતાનું પરીક્ષણ: એક વિચાર-મોટા અવાજે અભિગમ. ઇન્ટરનેશનલ જર્નલ ઓફ મેડિકલ એજ્યુકેશન. 2020;11:127.
કાંગ એચ, કાંગ એચવાય. ક્લિનિકલ રિઝનિંગ કુશળતા, ક્લિનિકલ ક્ષમતા અને શૈક્ષણિક સંતોષ પર સિમ્યુલેશન શિક્ષણની અસરો. જે કોરિયા એકેડેમિક એન્ડ ઇન્ડસ્ટ્રિયલ કોઓપરેશન એસોસિએશન. 2020;21(8):107–14.
ડાયકમેન પી, થોર્જીરસેન કે, ક્વિન્ડેસલેન્ડ એસએ, થોમસ એલ, બુશેલ ડબલ્યુ, લેંગલી એર્સડલ એચ. કોવિડ-૧૯ જેવા ચેપી રોગના પ્રકોપ સામે પ્રતિભાવો તૈયાર કરવા અને સુધારવા માટે મોડેલિંગનો ઉપયોગ: નોર્વે, ડેનમાર્ક અને ગ્રેટ બ્રિટન તરફથી વ્યવહારુ ટિપ્સ અને સંસાધનો. એડવાન્સ્ડ મોડેલિંગ. 2020;5(1):1–0.
લિઓસ એલ, લોપ્રીઆટો જે, સ્થાપક ડી, ચાંગ ટીપી, રોબર્ટસન જેએમ, એન્ડરસન એમ, ડિયાઝ ડીએ, સ્પેન એઇ, સંપાદકો. (એસોસિયેટ એડિટર) અને પરિભાષા અને ખ્યાલો કાર્યકારી જૂથ, હેલ્થકેર મોડેલિંગનો શબ્દકોશ - બીજી આવૃત્તિ. રોકવિલે, એમડી: એજન્સી ફોર હેલ્થકેર રિસર્ચ એન્ડ ક્વોલિટી. જાન્યુઆરી 2020: 20-0019.
બ્રુક્સ એ, બ્રેકમેન એસ, કેપ્રાલોસ બી, નાકાજીમા એ, ટાયરમેન જે, જૈન એલ, સાલ્વેટ્ટી એફ, ગાર્ડનર આર, મિનેહાર્ટ આર, બર્ટાગ્ની બી. હેલ્થકેર સિમ્યુલેશન માટે ઓગમેન્ટેડ રિયાલિટી. સમાવિષ્ટ સુખાકારી માટે વર્ચ્યુઅલ દર્દી તકનીકોમાં નવીનતમ પ્રગતિ. ગેમિફિકેશન અને સિમ્યુલેશન. 2020;196:103–40.
આલમરાની એમએચ, આલમલ કેએ, અલકાહતાની એસએસ, સેલેમ ઓએ નર્સિંગ વિદ્યાર્થીઓમાં વિવેચનાત્મક વિચારસરણી કૌશલ્ય અને આત્મવિશ્વાસ પર સિમ્યુલેશન અને પરંપરાગત શિક્ષણ પદ્ધતિઓની અસરોની સરખામણી. જે ​​નર્સિંગ રિસર્ચ સેન્ટર. 2018;26(3):152–7.
કિર્નન એલકે સિમ્યુલેશન તકનીકોનો ઉપયોગ કરીને ક્ષમતા અને આત્મવિશ્વાસનું મૂલ્યાંકન કરે છે. સંભાળ. 2018;48(10):45.