How Much Practice Is Enough? Using Learning Curves to Assess the Deliberate Practice of Radiograph Interpretation
Notice bibliographique
Résumé
PURPOSE: To demonstrate how learning curves can describe proficiency improvements associated with deliberate practice of radiograph interpretation. METHOD: This was a prospective, cross-sectional study of pediatric residents in two tertiary care programs. A 234-item digital case bank of pediatric ankle radiographs was developed. The authors gave participants a brief clinical summary of each case and asked them to consider three radiograph views of the ankle. Participants classified each case as either normal or abnormal and, if applicable, specified the location of the abnormality. They received immediate feedback and a radiologist's dictated report. The authors reviewed longitudinal learning curves, which were generated based on calculated test characteristics (e.g., accuracy, sensitivity, specificity). RESULTS: Eighteen participants (56.3% of those eligible) completed all 234 cases. The form of the participants' learning curves was similar across all test characteristics. The curves showed a period of "noise" until the participants completed an average of 20 cases. The slope of the learning curve was maximal from 21 to 50 cases during which cumulative sensitivity (95% CI) increased from 0.50 (0.45, 0.57) to 0.54 (0.47, 0.58). Then, the curves reached an inflection point after which learning slowed but did not stop even after 234 cases. The final cumulative sensitivity was 0.60 (0.54, 0.63). Applying a reference criterion, the authors classified learners into formative categories. CONCLUSIONS: Learning curves describing deliberate practice of radiograph interpretation allow medical educators to define at which point(s) practice is most efficient and how much practice is required to achieve a defined level of mastery.
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 | 0,003 | 0,326 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».