Notice bibliographique
Résumé
Background/rationale: Simulation-Augmented Education and Training (SAET) is an effective educational intervention aiding to prepare health professionals for their practice.SAET contributions range from preparing novices to be effective in a clinical setting to ensuring competence of seasoned professionals performing low-frequency, high-stakes skills.SAET is a complex intervention typically delivered by a team of educators to a team of learners.An algorithm consisting of pre-briefing, briefing, simulation experience, and de-briefing (PBSD) may help to reduce complexities of SAET, thus making it most effective.PBSD ensures proper communication of the learning objectives across the team of educators and the learners, linking these objectives to the specific simulation exercises and ensuring that they are adequately addressed during a well-constructed debriefing.This interactive workshop will demonstrate skills and processes that can be employed to conduct a proper PBSD.Objectives: Upon completion of this workshop, the participants will be able to (1) understand and apply the principles of applying the PBSD algorithm; (2) link learning objectives, debriefing methods, and assessment strategies to all parts of the algorithm; (3) develop specific simulation exercises utilizing institutional (Clinical learning and Simulation Centrespecific) templates; and (4) learn and apply appropriate debriefing strategies.Teaching Methods: Three teaching methodologies will be employed: 1. video demonstrations of suboptimal and proper debriefing strategies (20 minutes); 2. didactic lecture outlining components of PBSD (20 minutes); 3. interactive co-development of PBSD for a selected group of simulation scenarios (40 minutes); and 4. debriefing and summary (10 minutes).
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».