Learning during simulation training is prone to retroactive interference
Notice bibliographique
Résumé
CONTEXT: Retroactive interference occurs when newly acquired information inhibits recall of previously learned information. This has been shown to influence recall of sounds, tastes and word associations, and is typically seen when learners receive training on one area of content and are then exposed to new content before being evaluated on the original content. Thus far, retroactive interference has received little attention in medical education and has not been studied during simulation training. Our objective was to evaluate whether retroactive interference occurs during simulation training. METHODS: We randomised 167 Year 1 medical students to one of two training protocols. After training on a cardiac murmur, participants were tested either on the same cardiac murmur followed by a novel murmur (the non-interference protocol), or on the novel murmur followed by the training murmur (the interference protocol). We evaluated performance on both murmurs at 1 hour and 6 weeks post-training. RESULTS: We found a significant interaction between training protocol and diagnostic performance on training versus novel murmurs at both testing time-points. Students in the non-interference protocol had increased odds of achieving success on the training murmur relative to the novel murmur at 1 hour (odds ratio [OR] 4.96; p < 0.001) and at 6 weeks (OR 4.23; p = 0.001) after training. By comparison, students in the interference protocol did not demonstrate improved performance on the training murmur relative to the novel murmur at either evaluation (1 hour post-training: OR 0.56 [p = 0.08]; 6 weeks post-training: OR 0.66 [p = 0.23]). CONCLUSIONS: Consistent with the theory of retroactive interference, students who encountered a novel murmur between training and evaluation on the murmur on which they had been trained showed no improvement in diagnostic performance following simulation training. These findings should serve to warn educators to consider retroactive interference when designing simulation training sessions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».