Kundengeschichte
Das College of Nursing der University of Tennessee Knoxville bietet innovative Simulationserfahrungen zur Schulung psychomotorischer Fähigkeiten, der körperlichen Untersuchung und der in der Praxis angewendeten klinischen Versorgung. Simulationen sind in jeden klinischen Kurs innerhalb der Bachelor- und Masterstudiengänge integriert.
PhD, RN, CHSE
Assistierende Dekanin für Simulation an der Fakultät für Krankenpflege
University of Tennessee Knoxville
Die Herausforderung:
Dr. Susan Hébert und ihr Team an der University of Tennessee Knoxville wussten, dass ihnen nicht die vollständigen, verlässlichen Daten vorlagen, die sie benötigten, um den Fortschritt der Studierenden auf dem Weg zur Kompetenz vollständig zu verstehen.
Manuelle Arbeitsabläufe und papierbasierte Checklisten bedeuteten:
Sie hatten eine Vorstellung davon, wo Studierende Schwierigkeiten hatten—doch ohne konsistente, detaillierte Daten waren diese Erkenntnisse schwer zu bestätigen oder in Maßnahmen umzusetzen.
The solution:
The team knew they needed an efficient, unified system to capture and analyze performance data that could help inform how students are prepared for practice.
They began using SimCapture, a simulation management system that would help them manage performance data more efficiently. They started with the data from their simulation scenarios. Later, they expanded into skills lab evaluation using SimCapture for Skills, bringing both environments into one system.
To support faculty during the change, they created a transition path. Some faculty continued using laminated checklists before entering data digitally, while others adapted more quickly to real-time entry.
The flexibility helped the program move forward together and ultimately reach consistent adoption, ensuring more consistent data capture.
Durch die Umstellung wurden Bewertungsdaten einfacher zu erfassen und abzurufen. Dr. Hébert berichtete, dass die Daten früher manuell von Mitarbeitenden der Support-Teams eingegeben und verwaltet werden mussten.
„Früher gab es eine auf Master-Niveau ausgebildete Evaluation-Spezialistin und ihre Assistentinnen, die alle Daten in eine Tabelle eingetragen haben. SimCapture hat dieser Gruppe eine Menge Arbeit abgenommen.“
Mit SimCapture werden Daten direkt am Ort der Bewertung erfasst und können bei Bedarf abgerufen oder exportiert werden.
„Was jetzt passiert, ist: Sobald die Kurse abgeschlossen sind, lade ich alle Daten zum Mastery Learning und zur Szenariobewertung herunter, die wir für die Programmergebnisse erfassen,“ sagt sie. „Ich kann diese dann schnell in Tabellen exportieren.“
Dadurch konnten Lehrkräfte und Mitarbeitende weniger Zeit mit der Datenverwaltung verbringen und mehr Zeit damit, diese zu prüfen und für die Unterstützung der Studierendenentwicklung zu nutzen.
Eine der frühesten Durchbrüche ergab sich aus der Verbesserung der Vollständigkeit der Daten. Mit strukturierten Auswertungen konnten Lehrkräfte nicht länger teilweise ausgefüllte Checklisten einreichen. Dadurch wurden fehlende Daten reduziert und die Gesamtzuverlässigkeit der Evaluationsergebnisse verbessert.
Diese Veränderung bedeutete, dass die von ihnen überprüften Daten genauer und besser nutzbar wurden. Für das Programm war dies ein Wendepunkt. Evaluationsdaten konnten nun mit Vertrauen genutzt werden, um die Leistungen der Studierenden besser zu verstehen.
Sobald die Daten zuverlässig waren, konnten Dr. Hébert und ihr Team sie auf sinnvollere Weise nutzen.
Sie konnten Daten analysieren, einschließlich:
Anstatt sich auf manuelle Tabellen oder externe Unterstützung zu verlassen, konnten sie schnell auf die Informationen zugreifen, die zur Leistungsbewertung benötigt wurden.
Dieses Ausmaß an Analyse ermöglichte es dem Programm, über die bloße Ergebniserfassung hinauszugehen und Muster in der Leistung zu identifizieren, die Lehre und Lernen beeinflussen.
Diese Fähigkeit, die Leistung auf einer tieferen Ebene zu analysieren, würde direkt zu Änderungen im Curriculum führen.
Die eigentliche Wirkung zeigte sich, als die Daten klare Muster offenbarten.
Wenn Studierende über mehrere Kohorten hinweg innerhalb eines zentralen Szenarios bei einem bestimmten Konzept durchgehend schwächere Leistungen zeigten, konnten Dr. Hébert und das Team dieses Problem sofort angehen.
„Wir müssen über die Anwendung von Konzepten und Kompetenzen in der Pflege nachdenken, denn genau das tun die meisten praktizierenden Pflegefachpersonen am Bett,“ erklärt sie.
„Wir wussten die ganze Zeit, dass es Bereiche gab, auf die wir uns konzentrieren mussten. Aber jetzt, da wir die Daten haben, um es zu zeigen, ist das wirklich großartig.“
Sie und ihr Team können diese Erkenntnisse an Kursleitungen und Curriculum-Ausschüsse weitergeben. Die Lehrenden reagieren dann, indem sie die Konzepte, mit denen die Studierenden Schwierigkeiten haben, gezielt stärken, um den Unterricht besser an die klinische Praxis anzupassen.
Was früher nur ein allgemeines Anliegen gewesen wäre, kann nun mit klaren, datengestützten Verbesserungen bestätigt werden, die darauf ausgelegt sind, zu stärken, wie Studierende Fähigkeiten in klinischen Umgebungen anwenden.
„Manche Menschen lassen sich von Daten überzeugen,“ sagt sie. „Ich bin eine quantitative Person. Deshalb war es so schön, diese quantitativen Daten zu haben. Sie leiten uns jetzt wirklich an.“
„Es hilft uns, unsere Programm-Bedürfnisse besser zu erkennen, als wir es je zuvor konnten.“
Zusätzlich zur Nutzung von Daten zur Informierung von Programmentscheidungen stärkte das Team, wie die Kompetenz der Studierenden entwickelt und bewertet wird.
Sie führten strukturierte Labore für gezielte Übung ein, in denen die Studierenden:
Das Programm erfasst außerdem mehrere Bewertungspunkte, einschließlich Wiederholungsversuchen, wenn Studierende zusätzliche Übung benötigen.
SimCapture for Skills unterstützt dies, indem es ermöglicht, Leistungen über Übungs- und Bewertungsaktivitäten hinweg zu dokumentieren und während der Übung verschiedene Arten der Beurteilung zu ermöglichen.
Innerhalb dieser Labore für gezielte Übung nehmen Studierende außerdem an Peer-to-Peer-Bewertungen teil, indem sie gegenseitig Fähigkeits-Checklisten ausfüllen, während Lehrende anwesend bleiben, um die Leistung zu beobachten und bei Bedarf Aufsicht zu leisten.
Die Ergebnisse der Labore für gezielte Übung sind stark. Die meisten Studierenden bestehen die Check-offs erfolgreich beim ersten Versuch.
Diese Strukturen tragen dazu bei, sicherzustellen, dass die Studierenden vor der abschließenden Bewertung vorbereitet sind.
Dr. Hébert erklärt, dass bedeutender Wandel Beharrlichkeit erforderte. „Es hat zwei Jahre gedauert, bis wir es geschafft haben“, sagt sie. Die Einführung erforderte Zeit, Unterstützung und konsequente Führung, insbesondere da sich die Lehrenden an neue Arbeitsabläufe und Erwartungen anpassten.
„Es braucht jemanden, der dafür einsteht und am Ball bleibt“, sagt sie.
Indem das Programm auf das langfristige Ziel fokussiert blieb, konnte es einheitliche Datenpraktiken unter den Lehrenden etablieren.
