Beyond Self-Selection: Precision Team Composition for Skill-Specific Learning in Disaster Nursing Simulation
Diese Studie zeigt, dass die fähigkeitsbasierte Teambildung in Katastrophenpflege-Simulationen im Vergleich zur Selbstselektion gleichwertige oder überlegene Lernergebnisse liefert, wobei spezifische Zusammensetzungsmodelle sich für unterschiedliche Kompetenzziele als am effektivsten erweisen und somit einen präzisen instruktionalen Designansatz unterstützen, ohne die Zufriedenheit der Teilnehmer zu beeinträchtigen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Wenn eine Katastrophe eintritt, hängt der Unterschied zwischen Chaos und Überleben oft davon ab, wie gut ein Pflegeteam unter Druck zusammenarbeiten kann. Sie müssen die Verletzten sortieren, knappe Vorräte verwalten und schnelle Entscheidungen treffen, während sich die Situation um sie herum jede Sekunde verändert. Um sich auf diese Momente vorzubereiten, führen medizinische Fakultäten und Krankenhäuser Trainingsübungen durch, die eine Krise simulieren, ohne die reale Gefahr zu beinhalten. Eine beliebte Methode ist die „Tabletop-Übung“, bei der die Teilnehmer um einen Tisch sitzen und ein Katastastenszenario durchspielen, indem sie Entscheidungen treffen, als wären sie vor Ort. Seit Jahren wissen Pädagogen, dass diese Übungen Menschen beim Lernen helfen, aber eine entscheidende Frage blieb unbeantwortet: Wie sollten diese Teams gebildet werden? Der Standardansatz besteht darin, die Pflegekräfte ihre Teammitglieder selbst wählen zu lassen, wobei sie meist Freunde oder Kollegen wählen, die sie bereits kennen. Diese Studie fragt, ob dieser vertraute Komfort tatsächlich der beste Weg zum Lernen ist oder ob eine kalkuliertere Methode, bei der Menschen mit unterschiedlichen Erfahrungsstufen gemischt werden, bessere Ergebnisse erzielt.
Die Forscher, ein Team der Medizinischen Universität der Luftwaffe in China, gingen diese Idee mit einer großen Gruppe von 264 examinierten Pflegekräften an. Sie wollten sehen, ob die Organisation von Teams basierend auf den spezifischen Fähigkeiten und der Erfahrung der Mitglieder zu einem besseren Lernen führt als das Selbstwählen der Gruppen durch die Pflegekräfte. Zu diesem Zweck entwickelten sie ein System, um den „Fähigkeitswert“ jeder Pflegekraft basierend auf ihrem Berufsstatus, ihren Berufsjahren und ihrer bisherigen Beteiligung an Katastrophenübungen zu messen. Sie teilten die Pflegekräfte daraufhin in zwei Hauptgruppen ein. Eine Gruppe durfte ihre eigenen Teams von etwa zwölf Personen bilden, so wie sie es normalerweise tun würden. Die andere Gruppe wurde von den Forschern zugewiesenen Teams zugeteilt, die sechs verschiedene Formeln verwendeten, um die Pflegekräfte zu mischen. Diese Formeln reichten von der Besetzung mit wenigen Experten, die viele Anfänger leiten, bis hin zu einer ausgewogenen Mischung aller, um sicherzustellen, dass kein einzelnes Team in seinem Qualifikationsniveau zu ähnlich war.
Die Ergebnisse zeigten, dass beide Gruppen viel lernten. Nach der Schulung fühlte sich jede Pflegekraft sicherer in ihrer Fähigkeit, Katastrophenaufgaben zu bewältigen, wie etwa die Einrichtung eines Triage-Bereichs oder die Planung der Wiederherstellung. Die Teams, die von den Forschern zugewiesen wurden, lernten jedoch etwas mehr als die Teams, die sich selbst zusammengestellt hatten. Dieser Unterschied war am deutlichsten im Bereich der Logistik, der die Planung umfasst, wie Vorräte und Ressourcen dorthin gelangen, wo sie benötigt werden. Die zugewiesenen Teams zeigten eine statistisch signifikante Verbesserung in diesem Bereich im Vergleich zu den selbst gewählten Gruppen. Dies deutet darauf hin, dass Menschen, wenn sie gezwungen sind, mit unterschiedlichen Erfahrungsstufen zusammenzuarbeiten, besser darin sind, komplexe Planungsprobleme zu lösen als Gruppen von Freunden, die vielleicht alle ähnlich denken.
Die Studie ging noch tiefer und untersuchte, welche spezifische Mischung von Menschen für welche spezifische Fähigkeit am besten funktionierte. Sie fanden heraus, dass es keine einzige „perfekte“ Teamzusammensetzung für jede Situation gibt. Für das Erlernen der schnellen und korrekten Sortierung verletzter Patienten – eine Aufgabe, die Schnelligkeit und klare Abläufe erfordert – arbeitete ein Team mit einem starken Kern erfahrener Pflegekräfte am besten. Aber für das Erlernen der langfristigen Planung der Wiederherstellung nach einer Katastrophe, was ein Denken aus vielen verschiedenen Blickwinkeln erfordert, war ein perfekt ausgewogenes Team aus Experten und Anfängern am effektivsten. Dieser Befund stellt die Vorstellung infrage, dass eine einzige Art der Teamstruktur für alles passt. Stattdessen legt er nahe, dass der beste Weg des Lernens darin besteht, die Zusammensetzung des Teams auf die jeweilige zu lehrende Fähigkeit abzustimmen.
Der vielleicht überraschendste Teil der Entdeckung war, wie die Pflegekräfte über den Prozess empfanden. Oft sorgen sich Menschen, dass es kontrollierend oder unfair wirken könnte, wenn man ihnen ein Team durch einen Lehrer oder Administrator zugewiesen bekommt, was zu Frustration führen kann. Dennoch berichteten die Pflegekräfte in den zugewiesenen Gruppen, dass sie mit der Schulung ebenso zufrieden und glücklich waren wie diejenigen, die ihre eigenen Freunde gewählt hatten. Sie hatten nicht das Gefühl, dass der strukturierte Ansatz ihr Erlebnis ruinierte; tatsächlich beobachteten die Forscher, dass diese zugewiesenen Teams besser kommunizierten und Entscheidungen effizienter trafen. Die Studie kommt zu dem Schluss, dass der Übergang von der einfachen Gewohnheit der Selbstwahl hin zu einer präziseren, fähigkeitsbasierten Art der Teambildung das Katastrophentraining effektiver machen kann, ohne Unzufriedenheit zu erzeugen. Es stellt sich heraus, dass für hochriskantes Lernen ein wenig kalkuliertes Mischen besser ist, als bei dem, was sich komfortabel anfühlt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.