Impact of current video game playing on robotic simulation skills among medical students
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the impact of current and prior video game playing on initial robotic simulation skill acquisition. MATERIAL AND METHODS: This cross-sectional descriptive study (Canadian Task Force Classification II-1) was conducted at a medical university training center. The study subjects were medical students who currently played video games (Group I) and those who had not played video games in the last 2 years (Group II). The robotic skills of both groups were assessed using simulation. RESULTS: Twenty-two students enrolled in this study; however, only 21 completed it. The median age of the participants was 23 (22-24) years and 24 (23-26) years in Groups I and II, respectively. Among the participants, 15 (71.4%) were male and 6 (28.5%) were female, and 90.4% of the students started playing video games in primary school. When the 2 groups were compared according to the completion time of each exercise, Group I finished more quickly than Group II in the Peg Board-1 exercise (p>0.05), whereas Group II had better results in 3 exercises including Pick and Place, Ring and Rail, and Thread the Rings-1. However, none of the differences were found to be statistically significant (p>.05), and according to the overall scores based on the time to complete exercises, economy of motion, instrument collision, use of excessive instrument force, instruments out of view, and master workspace range, the scores were not statistically different between Groups I and II (p>.05). CONCLUSION: According to the basic robotic simulation exercise results, there was no difference between medical students who used to play video games and those who still played video games. Studies evaluating baseline visuospatial skills with larger sample sizes are needed.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,000 | 0,001 |
| 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 ».