Predictors of Technical Skill Acquisition Among Resident Trainees in a Laparoscopic Skills Education Program
Notice bibliographique
Résumé
BACKGROUND: Administrative and financial pressures on surgical education have created a need for efficient training curricula. Predictors of innate technical ability, which would guide the optimization of such a curriculum, are not well described. The goal of this study was to identify student characteristics predictive of innate pretraining skill level and response to training during the course of a four-week laparoscopic skills development program. METHODS: Laparoscopic skills in 35 first-year surgical residents were assessed with the McGill Inanimate System for Training and Evaluation of Laparoscopic Skills (MISTELS) before and after a four-week skills training program and after an interval of approximately 1 year. The correlation between trainee characteristics, including age, sex, designated surgical specialty, and laparoscopic skill level was assessed by using Pearson's correlation and paired t-test studies. RESULTS: Intake MISTELS scores showed no significant correlation to age, sex, or designated field. Interns designated for the general surgery training program had significantly higher final scores than those entering other fields (p = 0.02). There was a negative correlation between trainee age and both degree of improvement during training and final scores (p = 0.02 and 0.05). A history of video game use correlated with significantly higher initial scores and better skills retention (p = 0.03 and 0.04). CONCLUSIONS: A laparoscopic technical curriculum can achieve basic proficiency even when taught to a diverse group of trainees. Older residents beginning their surgical careers may be slower to develop technical skills. Choice of subspecialty seems to predict higher level of proficiency after completion of a skills training program among resident students.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,002 | 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 ».