Notice bibliographique
Résumé
Thank you for your comments regarding our study of video feedback as a means of enhancing surgical training. We are certainly in agreement with both you and the literature, which has clearly demonstrated the beneficial effect of bench model training in the development of surgical technical skills.1,2,3,4,5,6 Some of these investigations have provided evidence of transfer to the human model.7 In fact, much of this work has been conducted right here at our centre. The design of our study provided ample opportunity for practice before application of the intervention to the experimental group. During 3 laboratory sessions, residents practised the surgical task and received extensive individual feedback from vascular surgeons. Residents were free to ask questions of the experts, and the experts were free to provide verbal feedback as they circulated through the work stations. It is true that this study did not have a stepwise progression in model fidelity similar to the described subfascial endoscopic perforator surgery, but this was not the purpose of our study. Our aim was to look for any improvement among groups that was attributable to video feedback. We were not attempting to develop the best possible bench model strategy. Our findings corroborated earlier work, which also found no significant benefits of videotaped feedback among orthopedic surgical residents using technical skills of varying difficulty.8 We believe that there is either no benefit attributable to video feedback or we do not possess measurement tools sensitive enough to recognize them. It is our opinion that a more extensive bench model training strategy such as in SEPS is unlikely to provide clear evidence that video feedback is beneficial. David Backstein, MD, MEd Division of Orthopaedic Surgery Mount Sinai Hospital Toronto, Ont.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».