The effect of simulator training on clinical skills acquisition, retention and transfer
Notice bibliographique
Résumé
CONTEXT: Prior research has demonstrated that residents have poor clinical skills in cardiology and respirology. It is not clear how these skills can be improved because the number of patients with suitable clinical findings whose cooperation might help residents to better develop these clinical skills is limited. Objectives Our objective was to evaluate the effect of training on a cardiorespiratory simulator (CRS) on skills acquisition, retention and transfer. METHODS: We randomly allocated 146 students to CRS training in either chest pain or dyspnoea and compared each student's performance on the clinical presentation in which he or she had received CRS training with performance on the control presentation. RESULTS: Immediately after training, students were more accurate in identifying abnormal clinical findings on the CRS (70.0% versus 52.2%; d = 7.6, P < 0.0001) and showed improved diagnostic performance (72.1% versus 55.6%; d = 4.3, P = 0.0007) on the training clinical presentation. At the end of the course they were still better at identifying abnormal findings (57.1% versus 51.7%; d = 2.5, P = 0.004) and diagnosing correctly (50.0% versus 38.1%; d = 3.0, P = 0.002) on problems included in the training clinical presentation. However, they showed no difference between training and control presentations in diagnostic performance when required to transfer their skills between problems (45.9% versus 43.8%; P = 0.5) or in performance on multiple-choice questions (64.1% versus 63.6%; P = 0.8). CONCLUSIONS: Students can acquire and retain clinical skills with CRS training, but demonstrate limited ability to transfer these to other problems. Further studies are needed to explore ways of improving learning and transfer with CRS 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 | 0,002 | 0,003 |
| 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 ».