Emergency skills learning on video (ESLOV): A single-blinded randomized control trial of teaching common emergency skills using self-instruction video (SIV) versus traditional face-to-face (FTF) methods
Notice bibliographique
Résumé
BACKGROUND: Self-instruction video (SIV) has been widely explored as a teaching mode for cardiopulmonary resuscitation (CPR) and automated external defibrillation (AED), but not with other basic emergency skills. AIM: To evaluate the effectiveness of SIV in teaching other basic emergency skill in comparison with traditional face-to-face (FTF) methods. METHODS: Participants were randomized into SIV and FTF groups. Each group was assigned to learn basic airway management (BAM), cervical collar application (CCA), manual cardiac defibrillation (MCD), and emergency extremity splinting (EES) skills. Confidence level was assessed using questionnaires, and skills performances were assessed using calibrated-blinded assessors through an Objective Structured Clinical Examination (OSCE). RESULTS: Forty-five participants took part in the assessment exercises. There were no significant differences between both groups, on all four skill categories. The mean OSCE-score of an individual category between the FTF-group vs. the SIV-group were as follows: BAM (10.23 ± 1.04 vs. 10.04 ± 1.49; p = 0.62); CCA (7.86 ± 4.39 vs. 7.13 ± 4.12; p = 0.57); MCD (8.24 ± 0.89 vs. 7.58 ± 1.14; p = 0.39); EES (5.43 ± 2.11 vs. 4.63 ± 2.30; p = 0.23). The composite mean score for the FTF-group was 6.85, and for the SIV-group was 6.20 (p < 0.05). There was no significant different in the level of confidence for both groups. CONCLUSION: SIV is as effective as FTF in teaching and learning basic emergency skills.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,001 | 0,002 |
| 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 ».