Development and Evaluation of Two Canine Low-Fidelity Simulation Models
Notice bibliographique
Résumé
Two self-made low-fidelity models for simulation of canine intubation and canine female urinary catheterization were developed and evaluated. We used a study design that compares acquired skills of two intervention groups and one control group in a practical examination. Fifty-eight second-year veterinary medicine students received a theoretical introduction to intubation and were randomly divided into three groups. Group I (high-fidelity) was then trained on a commercially available Intubation Training Manikin (item #2006, Veteffects), group II (low-fidelity) was trained on our low-fidelity model, and group III (text) read a text describing intubation of the dog. Forty-seven fifth-year veterinary medicine students followed the same procedure for training urinary catheterization using the commercially available Female Urinary Catheter Training Manikin (Paws 2 Claws), our self-made model, and text. Outcomes were assessed in a practical examination on a cadaver using an Objective Structured Clinical Examination (OSCE) checklist. Considering a value of p≤.05 significant, intervention groups performed significantly better than the text groups. Group I (high-fidelity) and group II (low-fidelity) showed no significant differences (p≤.684, intubation; p≤.901, urinary catheterization). We thereby conclude that low-fidelity models can be as effective as high-fidelity models for clinical skills training.
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 | 0,002 |
| 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 ».