Self-motivated learning with gamification improves infant CPR performance, a randomised controlled trial
Notice bibliographique
Résumé
Background: Effective paediatric basic life support improves survival and outcomes. Current cardiopulmonary resuscitation (CPR) training involves 4-yearly courses plus annual updates. Skills degrade by 3-6 months. No method has been described to motivate frequent and persistent CPR practice. To achieve this, we explored the use of competition and a leaderboard, as a gamification technique, on a CPR training feedback device, to increase CPR usage and performance. Objective: To assess whether self-motivated CPR training with integrated CPR feedback improves quality of infant CPR over time, in comparison to no refresher CPR training. Design: Randomised controlled trial (RCT) to assess the effect of self-motivated manikin-based learning on infant CPR skills over time. Setting: A UK tertiary children's hospital. Participants: 171 healthcare professionals randomly assigned to self-motivated CPR training (n=90) or no refresher CPR training (n=81) and followed for 26 weeks. Intervention: The intervention comprised 24 h a day access to a CPR training feedback device and anonymous leaderboard. The CPR training feedback device calculated a compression score based on rate, depth, hand position and release and a ventilation score derived from rate and volume. Main outcome measure: The outcome measure was Infant CPR technical skill performance score as defined by the mean of the cardiac compressions and ventilations scores, provided by the CPR training feedback device software. The primary analysis considered change in score from baseline to 6 months. Results: Overall, the control group showed little change in their scores (median 0, IQR -7.00-5.00) from baseline to 6 months, while the intervention group had a slight median increase of 0.50, IQR 0.00-33.50. The two groups were highly significantly different in their changes (p<0.001). Conclusions: A significant effect on CPR performance was demonstrated by access to self-motivated refresher CPR training, a competitive leaderboard and a CPR training feedback device.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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.
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 ».