High-Fidelity Simulation in Pediatric Emergency Medicine
Notice bibliographique
Résumé
OBJECTIVES: High-fidelity simulation (HFS) is widely used in pediatric emergency medicine (PEM) training and a competent facilitator is vital for effective learning. This survey describes the characteristics, comfort, practices, and need of PEM physicians as HFS facilitators. METHODS: A descriptive cross-sectional survey was electronically distributed to Pediatric Emergency Research Canada physician members, representing 14 academic pediatric emergency departments nationally. RESULTS: The response rate was 66.6% (92/138); 63% (56/89) of PEM physicians taught HFS. Junior attending physicians (P = 0.011) and those with an education focus (P = 0.005) were more comfortable in using HFS. Sixty-eight percent (38/56) described their facilitator training as formal. Generally, facilitators felt comfortable in running simulations (weighted mean scale, 1.53 [<2 = comfortable] on a 5-point rating scale). Facilitators with formal training used verbal confidentiality agreements more frequently (P = 0.008), spent less time running the scenario (P < 0.05) and spent more time in debriefing (P < 0.05) than those without formal training. Sixty-three percent (n = 56) of facilitators identified debriefing as the most stressful aspect of HFS. Their main barrier to HFS teaching was lack of protected teaching time (mean scale, 2.02 [>2 = barrier]). Seventy-six percent (35/46) of respondents desired online and printable facilitator information. Seventy percent (35/51) thought the ideal time for formal facilitator training was during fellowship. CONCLUSIONS: High-fidelity simulation is a widely used educational modality, and more attention must be paid to the needs of the facilitator in order to optimize the educational experience. Standardized facilitator training, focused particularly on effective debriefing techniques, would help improve facilitator comfort with HFS.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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) | 0,004 | 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 ».