Learning While Having Fun: The Use of Video Gaming to Teach Geriatric House Calls to Medical Students
Notice bibliographique
Résumé
Although most health professionals perform home visits, there is not a structured method for performing them. In addition, in-training health professionals' exposure to home visits is limited for logistical reasons. A new method for medical students to learn how to perform an effective home visit was developed using an instructional video game. It was expected that students would learn the principles of a home visit using a video game while identifying the usefulness of video gaming (edutainment) in geriatrics education. A video game was created simulating a patient's house that the students were able to explore. Students played against time and distracters while being expected to click on those elements that they considered to be risk factors for falls or harmful for the patient. At the end of the game, the students received feedback on the chosen elements that were right or wrong. Finally, evaluation of the tool was obtained using pre- and posttests and pre- and postexposure feedback surveys. Fifty-six fourth-year medical students used the video game and completed the tests and the feedback surveys. This method showed a high level of engagement that is associated with improvement in knowledge. Additionally, users' feedback indicated that it was an innovative approach to the teaching of health sciences. In summary, this method provides medical students with a fun and structured experience that has an effect not only on their learning, but also on their understanding of the particular needs of the elderly population.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».