Outil d’évaluation des compétences diagnostiques lors de l’apprentissage par simulation

1. Résumé / Abstract

Le Diagnostic Competency During Simulation-Based (DCDS) Learning Tool (Burt & Olson, 2023) est un instrument psychométrique et pédagogique conçu pour évaluer de manière standardisée et critériée les compétences individuelles en raisonnement diagnostique chez les étudiants infirmiers praticiens (Nurse Practitioner [NP] students) au sein d’environnements d’apprentissage fondés sur la simulation clinique. Face à la complexité inhérente aux processus cognitifs guidant l’investigation clinique et à la prévalence documentée des erreurs diagnostiques dans les systèmes de santé, le DCDS Learning Tool offre une grille d’observation comportementale structurée permettant aux enseignants et évaluateurs de dépasser les simples jugements globaux ou intuitifs.

L’instrument est composé de 28 items opérationnels répartis à travers six domaines de compétences fondamentaux, formalisés à partir de référentiels curriculaires contemporains et de cadres consensuels issus de l’enseignement médical et des sciences infirmières avancées (notamment les travaux d’Ahmed et al., 2017 et de l’American Board of Internal Medicine, 2021). L’évaluation de l’apprenant s’effectue au moyen d’une échelle de notation ordinale à trois niveaux (minimal, partiel, complet), obligeant les évaluateurs à considérer rigoureusement les caractéristiques contextuelles du scénario de simulation avant d’attribuer une note. Les propriétés psychométriques initiales démontrent une excellente validité de contenu, attestée par un indice de validité de contenu à l’échelle (Scale-Content Validity Index, S-CVI) total de 0,98 et des indices par domaine oscillant entre 0,9175 et 1,0. La fidélité inter-juges, mesurée par le coefficient de corrélation intraclasse (ICC), est de 0,548 (IC à 95 % [0,482–0,612], p < 0,0001), ce qui reflète une concordance modérée typique des évaluations de performances cliniques directes et souligne la nécessité d’une calibration rigoureuse des évaluateurs.

2. Mots-clés / Keywords

Compétences diagnostiques individuelles, Raisonnement clinique, Étudiants infirmiers praticiens, Éducation infirmière, Apprentissage par simulation, Évaluation des compétences, Psychométrie, Validité de contenu, Fidélité inter-juges, Débriefing clinique, Sécurité des patients, Prise de décision clinique.

3. Auteurs / Authors

L’outil d’évaluation des compétences diagnostiques lors de l’apprentissage par simulation a été développé et validé par une équipe de chercheurs et d’universitaires experts en sciences infirmières et en pédagogie médicale :

• Dr. Leah Burt, PhD, APRN, ANP-BC, CNE : Professeure adjointe clinique au Département des sciences infirmières bio-comportementales (Department of Biobehavioral Nursing Science), College of Nursing, Université de l’Illinois à Chicago (UIC), Chicago, Illinois, États-Unis. Ses recherches se concentrent sur le développement des compétences cliniques avancées, la simulation haute-fidélité et la remédiation cognitive du raisonnement clinique. Courriel institutionnel : [email protected]. Adresse de correspondance : University of Illinois Chicago College of Nursing, Department of Biobehavioral Nursing Science, 845 South Damen Avenue (MC 802), Chicago, Illinois 60612, États-Unis.
• Dr. Andrew Olson, MD, FACP, FAAP : Professeur agrégé de médecine et de pédiatrie au sein de la Faculté de médecine de l’Université du Minnesota (University of Minnesota Medical School), Minneapolis, Minnesota, États-Unis. Spécialiste reconnu internationalement dans le domaine de la réduction des erreurs diagnostiques et de la formation au raisonnement clinique, il a grandement contribué aux initiatives de la Society to Improve Diagnosis in Medicine (SIDM).

4. Objectif / Purpose

L’objectif fondamental du Diagnostic Competency During Simulation-Based (DCDS) Learning Tool est de pallier une lacune majeure dans la formation des professionnels de santé de pratique avancée : l’absence d’outils psychométriquement rigoureux, observables et formatifs pour évaluer les micro-compétences sous-tendant le diagnostic différentiel et la prise de décision thérapeutique en situation simulée. Traditionnellement, l’évaluation de la performance clinique s’est focalisée sur l’exécution d’actes techniques procéduraux ou sur l’exactitude brute du diagnostic final posé par l’étudiant. Or, la littérature en psychologie cognitive démontre avec constance qu’un apprenant peut parvenir à un diagnostic correct par un cheminement erroné (biais de confirmation, chance) ou, inversement, adopter une démarche logique rigoureuse mais échouer en raison de données d’anamnèse manquantes ou de distracteurs scénaristiques.

Dans cette perspective, le DCDS Learning Tool a été conçu pour opérationnaliser le raisonnement diagnostique non pas comme un produit fini binaire, mais comme un processus itératif, métacognitif et observable. Il fournit aux éducateurs d’infirmiers praticiens une métrique précise, granulaire et immédiatement exploitable pour identifier les défaillances cognitives spécifiques à chaque étape de la consultation simulée. L’outil soutient une double finalité pédagogique et clinique :

• Sur le plan pédagogique et formatif : Offrir une structure d’observation directe qui oriente l’attention de l’évaluateur sur des marqueurs comportementaux explicites. Cela permet de structurer les séances de débriefing post-simulation autour de données probantes, facilitant la transition de l’étudiant d’un niveau de performance minimale vers l’autonomie clinique complète.
• Sur le plan de la sécurité des soins et de la recherche clinique : Quantifier objectivement l’impact des innovations curriculaires sur la réduction des erreurs cognitives. En ciblant les faiblesses individuelles avant l’entrée en stage clinique autonome, l’outil agit comme un rempart contre les retards diagnostiques et les prises en charge inappropriées en pratique réelle.

Sur le plan théorique, l’outil postule que la compétence diagnostique ne s’évalue valablement que si l’évaluateur contextualise le comportement de l’apprenant en fonction des contraintes propres au scénario (complexité clinique, ambiguïté des symptômes, charge émotionnelle générée par le patient standardisé ou le mannequin haute-fidélité). En invitant expressément l’enseignant à calibrer son jugement sur ces éléments contextuels, le DCDS Learning Tool répond aux exigences les plus strictes de la docimologie contemporaine.

5. Construit psychologique / Construct

Le DCDS Learning Tool opérationnalise le construit multidimensionnel du raisonnement diagnostique clinique. Loin d’être un trait cognitif unitaire, ce construit est articulé en 28 items répartis au sein de six domaines de compétences fondamentaux, formalisés à partir des cadres de référence en formation médicale et infirmière supérieure (notamment Ahmed et al., 2017 et l’American Board of Internal Medicine, 2021) :

1. Collecte des données cliniques et anamnèse ciblée (Data Gathering & History Taking)

Ce domaine évalue l’aptitude de l’apprenant à extraire de manière systématique, ordonnée et contextualisée les informations subjectives et objectives pertinentes. Il ne s’agit pas d’administrer un questionnaire encyclopédique passif, mais d’adapter activement l’interrogatoire et l’examen physique en fonction des signaux d’alerte (red flags) et des déclarations initiales du patient. Le comportement observable inclut l’exploration précise de la chronologie des symptômes, des antécédents familiaux et pharmacologiques, ainsi que la réalisation d’un examen physique ciblé guidé par des hypothèses préliminaires.

2. Représentation du problème clinique (Problem Representation)

Considérée par les psychologues cognitivistes comme la pierre angulaire du diagnostic d’expert, la représentation du problème consiste à synthétiser des données brutes en un énoncé sémantique abstrait (le summary statement). Ce domaine évalue si l’étudiant est capable de reformuler le tableau clinique en intégrant des qualificatifs sémantiques universels (ex. : « douleur thoracique aiguë, constrictive, survenant à l’effort chez un homme de 60 ans hypertendu » au lieu de « mal à la poitrine depuis ce matin »). L’item mesure la capacité à dégager l’essence physiopathologique du cas en éliminant le bruit資訊 (données accessoires non pertinentes).

3. Élaboration et priorisation du diagnostic différentiel (Differential Diagnosis Generation & Prioritization)

Ce domaine explore l’étendue, la pertinence et la hiérarchisation de la liste des hypothèses diagnostiques envisagées par l’apprenant. L’étudiant doit non seulement identifier l’affection la plus probable (diagnostic principal), mais également intégrer obligatoirement les diagnostics critiques engageant le pronostic vital (worst-case scenarios) qui doivent être formellement éliminés, même si leur prévalence statistique est faible. L’échelle évalue si les hypothèses sont cohérentes avec les données collectées ou si elles témoignent d’un ancrage prématuré.

4. Sélection raisonnée et interprétation des examens complémentaires (Diagnostic Testing & Investigation)

Cette dimension mesure la rationalité économique et diagnostique présidant à la prescription d’analyses biologiques, d’imageries médicales ou de tracés électrocardiographiques. L’apprenant est évalué sur sa capacité à justifier le rendement diagnostique escompté de chaque test (probabilité pré-test et post-test), à interpréter correctement les résultats fournis par le facilitateur de la simulation, et à ne pas recourir à des bilans exhaustifs et non spécifiques qui augmentent les coûts et les risques iatrogènes.

5. Ajustement et évolution du diagnostic au cours du temps (Diagnostic Refining & Monitoring)

Le diagnostic est une entité dynamique soumise à l’évolution de l’état clinique du patient et à la réponse aux interventions thérapeutiques d’urgence. Ce domaine mesure la flexibilité cognitive de l’étudiant : est-il capable de réévaluer ses hypothèses de travail initiales lorsqu’une nouvelle donnée clinique vient contredire le modèle mental qu’il s’était forgé ? Ce domaine capture la résistance au biais de statu quo et l’aptitude à fermer des boucles d’investigation restées en suspens.

6. Communication diagnostique, métacognition et prise de décision partagée (Diagnostic Communication & Metacognition)

Le dernier domaine appréhende l’interface relationnelle et réflexive du diagnostic. Il mesure la manière dont l’apprenant communique le diagnostic et les incertitudes associées au patient et à ses proches dans un langage vulgarisé et empathique, tout en favorisant l’adhésion thérapeutique. Sur le versant métacognitif, il évalue si l’apprenant manifeste une conscience réflexive explicite de ses propres limites cognitives, s’il sait solliciter des avis confraternels spécialisés et s’il interroge ses propres biais heuristiques potentiels.

6. Cadre théorique / Theoretical Framework

Le développement du DCDS Learning Tool s’ancre à la croisée de plusieurs courants fondamentaux de la psychologie cognitive contemporaine, de la théorie de l’apprentissage expérientiel et de la docimologie médicale avancée :

La théorie du double processus cognitif (Dual-Process Theory)

Formalisée par des chercheurs tels que Daniel Kahneman, Keith Stanovich et adaptée à la médecine par Pat Croskerry (2009), la théorie du double processus postule l’existence de deux modes distincts d’architecture cognitive :

• Le Système 1 (intuitif, heuristique, implicite) : Fonctionnant de manière automatique, rapide, à faible coût attentionnel, il repose sur la reconnaissance immédiate de formes (pattern recognition) et les prototypes cliniques emmagasinés par l’expérience. S’il permet une prise en charge rapide, il est particulièrement vulnérable aux biais cognitifs (fermeture prématurée, disponibilité, ancrage).
• Le Système 2 (analytique, délibératif, hypothético-déductif) : Caractérisé par un fonctionnement séquentiel, lent, conscient et hautement contrôlé, il mobilise la mémoire de travail pour pondérer formellement les probabilités bayésiennes et tester rigoureusement les hypothèses.

Dans le contexte des étudiants infirmiers praticiens, qui se situent au stade d’intermédiaires ou de novices avancés, le Système 1 est fréquemment immature et sujet à l’erreur en raison d’une bibliothèque de scripts de maladies (illness scripts) incomplète. Le DCDS Learning Tool force l’extériorisation du Système 2 en découpant le comportement diagnostique en étapes délibérées et métacognitives, offrant une plateforme pour détecter quand l’apprenant bascule prématurément dans un automatisme heuristique injustifié.

La théorie des scripts de maladies (Illness Script Theory)

Élaborée par Schmidt, Norman et Boshuizen (1990) puis approfondie par Schmidt et Rikers (2007), la théorie des scripts postule que les connaissances biomédicales s’organisent en réseaux mnésiques structurés contenant trois volets essentiels : les facteurs habilitants (enabling conditions : terrain, antécédents, prédispositions), la panne physiopathologique sous-jacente (fault) et les conséquences cliniques (consequences : symptômes, signes physiques, anomalies biologiques). Le DCDS Learning Tool évalue précisément l’aptitude de l’apprenant à activer, comparer et discriminer entre des scripts rivaux lors de la simulation.

La théorie de la charge cognitive (Cognitive Load Theory)

Développée par John Sweller, la théorie de la charge cognitive stipule que la mémoire de travail humaine dispose d’une capacité de traitement limitée. Dans un environnement de simulation haute-fidélité, la charge cognitive extrinsèque (alarmes, matériel technique, présence de l’évaluateur) peut saturer les ressources mentales de l’apprenant, compromettant le traitement de la charge cognitive intrinsèque (complexité clinique du cas) et la charge germane (construction de schémas diagnostiques pérennes). Le DCDS Learning Tool exige de l’évaluateur qu’il prenne en compte les caractéristiques du scénario pour apprécier si une erreur diagnostique résulte d’un déficit conceptuel profond ou d’une surcharge cognitive induite par la fidélité environnementale.

L’apprentissage expérientiel de Kolb et la pyramide de Miller

Enfin, l’instrument s’insère dans le modèle de l’apprentissage expérientiel de David Kolb, où la simulation constitue l’expérience concrète (concrete experience), immédiatement suivie d’une observation réflexive (reflective observation) formalisée par les notes comportementales du DCDS. Sur le plan docimologique, l’outil se positionne au troisième niveau de la célèbre pyramide de George Miller : le « Montre comment » (Shows how), étape charnière garantissant que l’apprenant ne se contente pas de savoir (Knows) ou de savoir comment faire (Knows how) sur un examen théorique écrit, mais démontre son raisonnement en action simulée avant d’agir en autonomie sur le patient réel (Does).

7. Validité / Validity

La validation psychométrique du DCDS Learning Tool a été conduite selon une méthodologie rigoureuse centrée sur l’analyse de la validité de contenu (Content Validity) et l’examen exploratoire de la validité d’apparence et de construit auprès de panels d’experts universitaires et cliniques (Burt & Olson, 2023) :

Méthodologie de validation du contenu

Les 28 items initiaux ont été formulés à partir d’une synthèse systématique de la littérature pédagogique et médicale, intégrant les compétences définies par Ahmed et al. (2017) et le cadre d’évaluation du raisonnement diagnostique de l’American Board of Internal Medicine (ABIM, 2021). Un échantillon qualifié d’experts en formation d’infirmiers praticiens et de membres du corps professoral universitaire en sciences infirmières a été recruté aux États-Unis pour évaluer chaque item selon les recommandations de Lynn (1986) et de Polit et Beck (2006).

Les panélistes ont examiné la clarté, la pertinence, la précision sémantique et la représentativité de chaque énoncé au regard du domaine de compétence théorique correspondant, en utilisant une échelle ordinale de pertinence à 4 points (1 = non pertinent, 2 = besoin de révisions majeures pour pertinence, 3 = pertinent mais nécessite des clarifications mineures, 4 = hautement pertinent).

Indices quantitatifs de validité de contenu (CVI)

Les analyses docimologiques ont révélé des indices de validité de contenu exceptionnellement élevés, témoignant de l’alignement parfait entre les items du DCDS et le construit théorique sous-jacent :

• Indice de validité de contenu par domaine (Scale-CVI/Domain) : Les scores calculés pour chacun des six domaines de compétences individuels se sont échelonnés entre 0,9175 et 1,00. Selon les critères psychométriques établis par Polit et Beck, un CVI supérieur à 0,90 reflète une excellente adéquation du contenu et confirme qu’aucun domaine essentiel du raisonnement diagnostique n’a été omis ou sous-représenté.
• Indice de validité de contenu global de l’échelle (Scale-CVI Total) : L’indice de validité de contenu total pour l’ensemble des 28 items a atteint 0,98. Cette valeur indique un consensus quasi unanime parmi les experts quant à la légitimité et à la pertinence des comportements évalués.

Validité écologique et cohérence contextuelle

La conception même de l’outil renforce sa validité écologique. Contrairement à des questionnaires décontextualisés, le DCDS Learning Tool intègre une directive impérative exigeant que l’évaluateur analyse au préalable les caractéristiques intrinsèques du scénario de simulation (complexité du cas, distracteurs introduits par les acteurs, temps imparti). Cette contextualisation garantit que la validité de la mesure reflète fidèlement la compétence de l’étudiant en situation écologique contrôlée plutôt qu’un artefact d’évaluation lié à la sévérité arbitraire de l’évaluateur.

8. Fidélité / Reliability

La fidélité d’un instrument d’observation directe de la performance clinique repose au premier chef sur sa capacité à produire des scores stables et reproductibles entre différents observateurs observant la même prestation d’apprenant. Dans le cadre de l’évaluation du DCDS Learning Tool, les auteurs ont mesuré la fidélité inter-juges (Interrater Reliability) :

Coefficient de corrélation intraclasse (ICC)

La fidélité inter-juges a été quantifiée au moyen du coefficient de corrélation intraclasse (ICC), calculé à partir des notations attribuées indépendamment par des membres du corps professoral en sciences infirmières évaluant des performances d’étudiants lors de scénarios de simulation standardisés :

• Valeur de l’ICC global : 0,548.
• Significativité statistique : p < 0,0001.
• Intervalle de confiance à 95 % : [0,482 – 0,612].

Interprétation psychométrique de la fidélité

Selon les critères classiques de Landis et Koch (1977) ou de Koo et Li (2016), un coefficient ICC situé entre 0,50 et 0,75 traduit une concordance modérée. Bien que dans le domaine des tests psychométriques écrits (comme les échelles d’anxiété ou de personnalité) des coefficients alpha de Cronbach supérieurs à 0,80 soient requis, la littérature internationale en évaluation médicale par simulation reconnaît qu’un ICC de 0,55 représente un résultat tout à fait satisfaisant pour une grille d’observation comportementale complexe non agrégée.

Plusieurs facteurs docimologiques expliquent cette concordance modérée et ouvrent la voie à des recommandations pratiques :

• Subjectivité inhérente à l’évaluation de processus cognitifs : Le raisonnement clinique ne s’observe pas directement ; il est inféré à partir d’actions, de verbalisations et d’omissions de l’apprenant. Des évaluateurs distincts peuvent être différemment sensibles à des nuances de posture ou de formulation verbale.
• Biais de sévérité/indulgence des évaluateurs : Certains enseignants adoptent naturellement une posture de notation plus stricte face à des compétences partielles.
• Nécessité d’une standardisation et formation préalable : Pour maximiser l’ICC au-delà de 0,70 dans les contextes institutionnels d’examens cliniques à objectif structuré (ECOS / OSCE), les auteurs préconisent une formation préalable obligatoire des évaluateurs (rater calibration training) à l’utilisation du DCDS Learning Tool, incluant le visionnage de vidéos d’étalonnage pour harmoniser l’interprétation des seuils « minimal », « partiel » et « complet ».

9. Analyse factorielle / Factor Analysis

Au moment de la publication princeps de l’instrument (Burt & Olson, 2023), aucune analyse factorielle formelle (ni exploratoire, ni confirmatoire) n’a été rapportée dans le jeu de données initial (No data is Available). Cette absence d’analyse factorielle initiale s’explique par les caractéristiques structurelles et méthodologiques de la phase de développement de l’outil :

Considérations méthodologiques relatives à la taille d’échantillon

L’administration d’une analyse factorielle exploratoire (AFE) ou confirmatoire (AFC) robuste pour une échelle comportant 28 items requiert traditionnellement, selon les standards psychométriques établis (ex. règles de Nunnally ou de Comrey et Lee), un ratio minimal de 5 à 10 participants par item, soit un échantillon de 140 à 280 observations complètes indépendantes. Les cohortes initiales d’étudiants infirmiers praticiens évalués en simulation haute-fidélité dans des centres universitaires uniques ne permettent que rarement d’atteindre instantanément de tels effectifs sans mutualisation multicentrique.

Structure conceptuelle versus dimensionnalité empirique

Sur le plan conceptuel, le DCDS Learning Tool a été articulé a priori autour de six domaines distincts issus d’une démarche théorique déductive (validité de contenu établie par consensus d’experts et analyse curriculaire). La taxonomie à six dimensions s’appuie sur la chronologie et les composantes fonctionnelles de l’acte diagnostique :

1. Collecte des données et anamnèse
2. Représentation du problème
3. Génération du diagnostic différentiel
4. Prescription et interprétation des examens
5. Surveillance et ajustement diagnostique
6. Communication et métacognition

Perspectives futures pour la modélisation en équations structurelles

Les recherches ultérieures devront prioritairement combler cette lacune docimologique en déployant des études multicentriques à large échelle afin de :

• Tester par analyse factorielle confirmatoire (AFC) si la structure à six facteurs corrélés offre un ajustement statistique supérieur (via les indices RMSEA, CFI, TLI, SRMR) par rapport à un modèle unidimensionnel où le raisonnement diagnostique serait capturé comme un facteur général unique (modèle de type facteur g de compétence clinique).
• Explorer un modèle bifactoriel (bifactor model), isolant une compétence générale de prise en charge clinique et des facteurs spécifiques correspondant aux habiletés cognitives analytiques propres à chaque étape de la consultation.
• Analyser l’invariance de mesure (measurement invariance) selon le niveau d’avancement des étudiants (première année vs étudiants en fin de cursus) et selon la nature des scénarios cliniques (urgences aiguës vs consultations de médecine générale complexe).

10. Instrument de mesure / Instrument

L’instrument de mesure Diagnostic Competency During Simulation-Based (DCDS) Learning Tool présente les caractéristiques formelles et opérationnelles suivantes :

• Type d’instrument : Grille d’évaluation critériée de la performance clinique, basée sur l’observation directe de comportements en situation de simulation haute ou moyenne-fidélité (Direct Observation Behavioral Rating Scale).
• Statut du test : Instrument original développé spécifiquement pour la formation infirmière de pratique avancée.
• Nombre total d’items : 28 items opérationnels répartis sur six domaines de compétences fondamentaux.
• Population cible : Étudiants inscrits dans des programmes d’infirmiers praticiens (Nurse Practitioner students), professionnels infirmiers en formation continue avancée, étudiants en médecine ou résidents/internes en sciences de la santé (adultes de 18 ans et plus).
• Évaluateurs préconisés : Membres du corps professoral universitaire en sciences infirmières, formateurs cliniques, éducateurs en simulation médicale, experts du raisonnement clinique.
• Format d’évaluation et directives d’administration officielles : L’outil est conçu pour s’adapter à une large diversité de scénarios cliniques simulés. Les consignes imposent une démarche évaluative standardisée :
  « The DCDS Learning Tool is designed for use across a variety of simulation scenarios. It guides educators to consider scenario characteristics before evaluating learner performance. Raters assign ordinal-level judgments (minimal, partial, or complete) to observed behaviors. If a student demonstrates only a portion of the behaviors described within an item, raters are advised to assign a lower rating. Educators utilizing the DCDS tool should analyze learner behavior ratings to identify trends and inconsistencies between competencies. During feedback sessions, educators should emphasize behaviors that will facilitate the student’s progression to the next competency rating level. »
• Échelle de notation ordinale : Chaque item est coté selon un jugement ordinal à trois niveaux hiérarchisés :
  • Minimal : L’apprenant ne démontre pas le comportement attendu ou ne le manifeste que de manière rudimentaire, inadéquate ou erronée, témoignant d’une absence de maîtrise cognitive de l’étape considérée.
  • Partiel (Partial) : L’apprenant démontre une fraction des comportements attendus, mais avec des omissions notables, des hésitations importantes ou une application incomplète des directives cliniques. La consigne officielle stipule explicitement que si un étudiant n’accomplit qu’une partie des critères de l’item, l’évaluateur doit obligatoirement lui assigner cette note inférieure.
  • Complet (Complete) : L’apprenant exécute intégralement et de manière fluide, autonome et cohérente l’ensemble des comportements décrits dans l’item, en tenant compte des spécificités du patient et de la situation clinique simulée.
• Mode d’exploitation des résultats : Les enseignants sont invités à ne pas se limiter à un score quantitatif brut, mais à procéder à une analyse de profil (trend analysis) afin de repérer les dissonances cognitives entre les domaines (par exemple, un étudiant capable d’une excellente collecte de données mais incapable de formuler une représentation abstraite du problème). Cette analyse sert de substrat qualitatif direct pour structurer le débriefing d’apprentissage.

11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year

• Année de développement et publication officielle : 2023.
• Frais d’utilisation (Fee) : Aucun frais financier (No Fee). L’utilisation de l’instrument à des fins d’enseignement universitaire, d’évaluation pédagogique interne et de recherche académique non commerciale est gratuite.
• Permissions et droits d’accès : L’instrument est protégé par le droit de propriété intellectuelle. Pour obtenir le livret complet de notation, l’inventaire intégral des 28 items opérationnels ainsi que les guides d’administration destinés aux évaluateurs, les utilisateurs doivent obligatoirement adresser une demande formelle à l’auteur correspondant :
  Dr. Leah Burt
  University of Illinois Chicago College of Nursing
  Department of Biobehavioral Nursing Science
  845 South Damen Avenue (MC 802), Chicago, IL 60612, États-Unis.
  Courriel : [email protected]
• Cadre d’utilisation éthique : Les auteurs encouragent la collaboration scientifique et le partage de données multicentriques sous réserve de citer formellement la publication princeps de référence (Burt & Olson, 2023) dans tous travaux, thèses ou publications dérivés.

12. Références / References

Les travaux académiques, modèles théoriques et publications docimologiques fondant la conception et la validation du DCDS Learning Tool sont répertoriés ci-dessous conformément aux normes de l’American Psychological Association (APA, 7e édition) :

• Ahmed, A., Kothari, P., Shaughnessy, A. F., & Slawson, D. C. (2017). Teaching clinical reasoning using an illness script template. MedEdPORTAL, 13, 10643. https://doi.org/10.15766/mep_2374-8265.10643
• American Board of Internal Medicine. (2021). Assessment of diagnostic reasoning: An operational framework for medical education. Philadelphia: ABIM Foundation. https://www.abim.org
• Burt, L., & Olson, A. (2023). Development and psychometric testing of the Diagnostic Competency During Simulation-based (DCDS) Learning Tool. Journal of Professional Nursing, 45, 51–59. https://doi.org/10.1016/j.profnurs.2023.01.008
• Croskerry, P. (2009). A universal model of diagnostic reasoning. Academic Medicine, 84(8), 1022–1028. https://doi.org/10.1097/ACM.0b013e3181ace703
• Eva, K. W. (2005). What every teacher needs to know about clinical reasoning. Medical Education, 39(1), 98–106. https://doi.org/10.1111/j.1365-2929.2004.01972.x
• Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
• Koo, T. K., & Li, M. Y. (2016). A guideline of selecting and reporting intraclass correlation coefficients for reliability research. Journal of Chiropractic Medicine, 15(2), 155–163. https://doi.org/10.1016/j.jcm.2016.02.012
• Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174. https://doi.org/10.2307/2529310
• Lynn, M. R. (1986). Determination and quantification of content validity. Nursing Research, 35(6), 382–385. https://doi.org/10.1097/00006199-198611000-00017
• Miller, G. E. (1990). The assessment of clinical skills/competence/performance. Academic Medicine, 65(9), S63–S67. https://doi.org/10.1097/00001888-199009000-00045
• Polit, D. F., & Beck, C. T. (2006). The content validity index: Are you sure you know what’s being reported? Critique and recommendations. Research in Nursing & Health, 29(5), 489–497. https://doi.org/10.1002/nur.20147
• Schmidt, H. G., Norman, G. R., & Boshuizen, H. P. (1990). A cognitive perspective on medical expertise: Theory and implication. Academic Medicine, 65(10), 611–621. https://doi.org/10.1097/00001888-199010000-00001
• Schmidt, H. G., & Rikers, R. M. (2007). How expertise develops in medicine: Knowledge encapsulation and illness script formation. Medical Education, 41(12), 1133–1139. https://doi.org/10.1111/j.1365-2923.2007.02915.x
• Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4

13. Questions et items du questionnaire / Scale Items