Cognitive versus Technical Debriefing after Simulation Training
Notice bibliographique
Résumé
BACKGROUND: Recent literature describes "cognitive dispositions to respond" (CDRs) that may lead physicians to err in their clinical reasoning. OBJECTIVES: To assess learner perception of high-fidelity mannequin-based simulation and debriefing to improve understanding of CDRs. METHODS: Emergency medicine (EM) residents were exposed to two simulations designed to bring out the CDR concept known as "vertical line failure." Residents were then block-randomized to a technical/knowledge debriefing covering the medical subject matter or a CDR debriefing covering vertical line failure. They then completed a written survey and were interviewed by an ethnographer. Four investigators blinded to group assignment reviewed the interview transcripts and coded the comments. The comments were qualitatively analyzed and those upon which three out of four raters agreed were quantified. A random sample of 84 comments was assessed for interrater reliability using a kappa statistic. RESULTS: Sixty-two residents from two EM residencies participated. Survey results were compared by technical (group A, n = 32) or cognitive (group B, n = 30) debriefing. There were 255 group A and 176 group B comments quantified. The kappa statistic for coding the interview comments was 0.42. The CDR debriefing group made more, and qualitatively richer, comments regarding CDR concepts. The technical debriefing group made more comments on the medical subjects of cases. Both groups showed an appreciation for the risk of diagnostic error. CONCLUSIONS: Survey data indicate that technical debriefing was better received than cognitive debriefing. The authors theorize that an understanding of CDRs can be facilitated through simulation training based on the analysis of interview comments.
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 | 0,003 |
| 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 | 0,001 |
| 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 ».