MétaCan
Menu
Retour à la cohorte
Enregistrement W1592101778 · doi:10.1111/j.1365-2923.2012.04268.x

Directed self‐regulated learning versus instructor‐regulated learning in simulation training

2012· article· en· W1592101778 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueMedical Education · 2012
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensUniversity of CalgaryThe Wilson CentreUniversity of TorontoUniversity of British ColumbiaUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésChecklistAnalysis of varianceTest (biology)Repeated measures designPsychologyCorrelationConfidence intervalPearson product-moment correlation coefficientMedicinePhysical therapyStatisticsMathematicsInternal medicine

Résumé

récupéré en direct d'OpenAlex

OBJECTIVES: Simulation training offers opportunities for unsupervised, self-regulated learning, yet little evidence is available to indicate the efficacy of this approach in the learning of procedural skills. We evaluated the effectiveness of directed self-regulated learning (DSRL) and instructor-regulated learning (IRL), respectively, for teaching lumbar puncture (LP) using simulation. METHODS: We randomly assigned internal medicine residents in postgraduate year 1 to either DSRL ('directed' to progress from easy to difficult LP simulators during self-regulated learning) or IRL (in groups of four led by an instructor). All participants practised for up to 50 minutes and completed a pre-test, post-test and delayed (by 3 months) retention test on the simulator. Pairs of blinded trained experts independently rated all videotaped performances using a validated global rating scale and a modified version of a validated checklist. Participants provided measures of LP experience and self-reported confidence. We analysed the pre-post (n = 42) and pre-post-retention performance scores (n = 23) using two separate repeated-measures analyses of variance (anovas) and computed Pearson correlation coefficients between participants' confidence and performance scores. RESULTS: Inter-rater agreement was strong for both performance measures (intra-class correlation coefficient > 0.81). The groups achieved similar pre-test and post-test scores (p > 0.05) and scores in both groups improved significantly from the pre- to the post-test (p < 0.05). On retention, a significant interaction (F(2,42) = 3.92, p = 0.03) suggests the DSRL group maintained its post-test performance, whereas that in the IRL group dropped significantly (p < 0.05). Correlations between self-reported confidence and post-test performance were positive and significant for the DSRL group, and negative and non-significant for the IRL group. CONCLUSIONS: Both IRL and DSRL led to improved LP performance immediately after practice. Whereas the IRL group's skills declined after 3 months, the DSRL group's performance was maintained, suggesting a potential long-term benefit of this training. Participants in the DSRL group also developed a more accurate relationship between confidence and competence following practice. Further research is needed to clarify the mechanisms of self-regulated learning and its role in simulation contexts.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,180
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,381
Écart entre enseignants0,344 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle