Computer‐assisted teaching of epistaxis management
Notice bibliographique
Résumé
OBJECTIVES: To determine whether computer-assisted learning (CAL) is an effective tool for the instruction of technical skills. STUDY DESIGN: Prospective blinded randomized-control trial conducted on a cohort of 47 first-year medical students. METHODS: Students were instructed on two techniques of nasal packing (formal nasal pack and nasal tampon) for the management of epistaxis, using either a standard text-based article or a novel computer-based learning module. Students were evaluated on proper nasal packing technique using standardized subjective and objective outcome measures by three board-certified otolaryngologists. Blind assessments took place prior to and following instruction, using the assigned learning modality. RESULTS: There were 47 participants enrolled in the study. Both groups demonstrated improvement in performance of both packing procedures following training. A significant post-training difference favoring CAL learners over text-based learners was observed, using the global assessment of skill for both packing techniques (P < .001). Additionally, a significant post-training difference favoring CAL learners over text-based learners was observed for all checklist items for the tampon pack and five of eight items on the formal pack checklist. The vast majority of students (94.6%) indicated that if given the choice, they would prefer to learn using CAL rather than by using text-based learning materials. CONCLUSIONS: CAL learners demonstrated significantly greater improvement across both subjective and objective outcome measures when compared to the text-based group. Additionally, students favored learning via the CAL modality, which further suggests that CAL is a valuable means of imparting procedural knowledge to novice medical trainees.
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 | 0,000 | 0,000 |
| 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 ».