Integrating Google Glass into simulation-based training: experiences and future directions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Education experts are starting to explore the potential uses of wearable technology and augmented reality in simulation-based training. In this article, we summarize our experiences with using Google Glass in simulation-based training and discuss potential future directions with this advanced technology. Methods: Emergency medicine residents and medical students participated in a pilot study where each team captain was asked to wear Google Glass during 15 separate simulation-based training sessions. Video obtained from Google Glass was analyzed and utilized during debriefing sessions for the residents and medical students. Results: We were able to successfully integrate Google Glass into simulation-based training and debriefing. During the analysis of each recording, observations were noted about the events that transpired and this data was used to provide instructional feedback to the residents and medical students for self-reflection and appraisal. Post-exercise surveys were conducted after each simulation session and all participants noted that Google Glass did not interfere with their simulation experience. Google Glass enabled the observers to analyze the team captain’s primary visual focus during the entire simulation scenario and feedback was provided based on the data recorded. Conclusions: Wearable technologies such as Google Glass can be successfully integrated into simulation-based training exercises without disrupting the learners’ experience. Data obtained from this integration can be utilized to improve debriefing sessions and self-reflection. Future research is underway and required to evaluate other potential uses for wearable technology in simulation-based training.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle