Evaluating Computer-Assisted Learning for Common Pediatric Emergency Procedures
Notice bibliographique
Résumé
OBJECTIVE: To develop a computer-assisted learning (CAL) model and evaluate its effectiveness in improving medical trainees' knowledge of pediatric emergency procedures. METHODS: Three common pediatric emergency procedures were selected: laceration repair, splinting of fractures, and lumbar puncture. Web-based computerized tutorials were developed using digital images, short video clips, and instructional text. The tutorials focused on indications/contraindications of procedure, steps of the procedure, and materials needed. A 20-item multiple-choice examination was developed to test content covered in the tutorials. Twenty-three, third- and fourth-year medical students were randomly assigned to the CAL group or the nonintervention group. The 20-item multiple-choice examination was given to the trainee either before or after completion of the tutorials, based on group assignment. Both groups completed demographic information forms. RESULTS: The 13 students in the intervention group had a significantly higher average examination score, 16.3 (81.5%) (SD, 2.68), compared with the average score of the nonintervention group, 10.9 (54.5%) (SD, 1.37) (Wilcoxon test P = 0.00001). There was no significant difference between the 2 groups. CONCLUSION: The CAL model improves students' knowledge of emergency procedures. This model can be used as an adjuvant to traditional teaching of emergency procedures. Strategies for their optimal use need to be explored and evaluated.
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 | 0,003 | 0,013 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».