MétaCan
Menu
Retour à la cohorte
Enregistrement W2133118731 · doi:10.5430/jbgc.v4n2p49

Integrating Google Glass into simulation-based training: experiences and future directions

2014· article· en· W2133118731 sur OpenAlexvenueno aff
Teresa Wu, Christian Dameff, Jeffrey Tully

Notice bibliographique

RevueJournal of Biomedical Graphics and Computing · 2014
Typearticle
Langueen
DomaineComputer Science
ThématiqueAugmented Reality Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDebriefingSession (web analytics)Wearable computerMedical educationWearable technologyAugmented realityComputer scienceMedical simulationMultimediaTraining (meteorology)Reflection (computer programming)PsychologySimulationHuman–computer interactionMedicineWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,003
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,281
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations40
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Biomedical Graphics and ComputingMême sujetAugmented Reality ApplicationsTravaux en français237 207