Otoscopy simulation training in a classroom setting: A novel approach to teaching otoscopy to medical students
Notice bibliographique
Résumé
OBJECTIVES/HYPOTHESIS: To determine the effectiveness of using of an otoscopy stimulator to teach medical students the primary principles of otoscopy in large group training sessions and improve their confidence in making otologic diagnoses. STUDY DESIGN: Cross-sectional survey design. METHODS: In March 2013, the Department of Otolaryngology-Head and Neck Surgery held a large-scale otoscopy simulator teaching session at the MaRS Innovation Center for 92 first and second year University of Toronto medical students. Following the training session, students were provided with an optional electronic, nine-question survey related to their experience with learning otoscopy using the simulators alone, and in comparison to traditional methods of teaching. RESULTS: Thirty-four medical students completed the survey. Ninety-one percent of the respondents indicated that the overall quality of the event was either very good or excellent. A total of 71% of respondents either agreed, or strongly agreed, that the otoscopy simulator training session improved their confidence in diagnosing pathologies of the ear. The majority (70%) of students indicated that the training session had stimulated their interest in otolaryngology-head and neck surgery as a medical specialty. CONCLUSIONS: Organizing large-group otoscopy simulator training sessions is one method whereby students can become familiar with a wide variety of pathologies of the ear and improve both their diagnostic accuracy and their confidence in making otologic diagnoses. LEVEL OF EVIDENCE: NA
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».