MétaCan
Menu
Retour à la cohorte
Enregistrement W2038316166 · doi:10.3109/17549507.2011.638727

Use of simulated patients for a student learning experience on managing difficult patient behaviour in speech-language pathology contexts

2012· article· en· W2038316166 sur OpenAlexaff
Tim Bressmann, Alice Eriks‐Brophy

Notice bibliographique

RevueInternational Journal of Speech-Language Pathology · 2012
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésPsychologyInclusion (mineral)Interpersonal communicationLanguage Experience ApproachLanguage acquisitionMedical educationMathematics educationMedicineLanguage educationSocial psychology

Résumé

récupéré en direct d'OpenAlex

A student learning experience about managing difficult patients in speech-language pathology is described. In 2006, 40 students participated in a daylong learning experience. The first part of the experience consisted of presentations and discussions of different scenarios of interpersonal difficulty. The theoretical introduction was followed by an active learning experience with simulated patients. A similar experience without the simulated patients was conducted for 45 students in 2010. Both years of students rated the experience with an overall grade and gave qualitative feedback. There was no significant difference between the overall grades given by the students in 2006 and 2010. The qualitative feedback indicated that the students valued the experience and that they felt it added to their learning and professional development. The students in 2006 also provided detailed feedback on the simulation activities. Students endorsed the experience and recommended that the learning experience be repeated for future students. However, the students in 2006 also commented that they had felt inadequately prepared for interacting with the simulated patients. A learning experience with simulated patients can add to students' learning. The inclusion of simulated patients can provide a different, but not automatically better, learning experience.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,011
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0030,002
Communication savante0,0030,002
Science ouverte0,0030,006
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,391
Écart entre enseignants0,362 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Speech-Language PathologyMême sujetSimulation-Based Education in HealthcareTravaux en français237 207