MétaCan
Menu
Retour à la cohorte
Enregistrement W2321153134 · doi:10.1097/sih.0000000000000140

“Debriefing-on-Demand”

2016· article· en· W2321153134 sur OpenAlexaff
Michael McMullen, Rosemary Wilson, Melinda Fleming, David Mark, Devin Sydor, Louie Wang, Jorge Zamora, Rachel Phelan, Jessica E. Burjorjee

Notice bibliographique

RevueSimulation in Healthcare The Journal of the Society for Simulation in Healthcare · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensKingston General HospitalQueen's University
Organismes subventionnairesnon disponible
Mots-clésDebriefingPsychologyLikert scaleAnxietyMedical educationApplied psychologyMedicineSocial psychologyPsychiatryDevelopmental psychology

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Simulation is an effective tool in medical education with debriefing as the cardinal educational component. Alternate debriefing strategies might further enhance the educational value of simulation. Here, we pilot a novel strategy that allows trainees to initiate debriefing at any point during the scenario, when they consider it necessary. METHODS: With ethics approval, 8 postgraduate year 1 anesthesia residents (with no previous exposure to high-fidelity simulation) were randomly assigned to lead 2 of 8 scenarios with 2 debriefing strategies. With "debriefing-on-demand," residents had the option to initiate debriefing at any point in the scenario by activation of a "pause button"-in addition to undergoing conventional debriefing at the end of the scenario. Those randomized to "conventional debriefing" were debriefed only at the end of the scenario. All were allocated as team leader with both debriefing strategies and as a participant in remaining scenarios. Residents provided feedback regarding each method using Likert scales and completion of open-ended statements. RESULTS: Debriefing-on-demand was easily integrated into all scenarios, and most learners (88%) supported its use in future simulation sessions. The following 4 themes emerged from qualitative analyses: (1) improvements in the clarification and integration of knowledge, (2) reductions in stress/anxiety, (3) facilitated reflection on action, and (4) maintained realism comparable with conventional debriefing. CONCLUSIONS: Debriefing-on-demand was easily integrated into all scenarios and well received by these trainees new to simulation. Larger trials that use validated tools are needed to determine the absolute impact of debriefing-on-demand on stress levels and the overall learning value of simulation for trainees at different levels of 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)0,015
score de la tête « metaresearch » (Gemma)0,040
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,079

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,040
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0200,003

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 Opus0,057
Tête enseignante GPT0,403
Écart entre enseignants0,345 · 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'étudeThéorique ou conceptuel
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

Citations42
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSimulation in Healthcare The Journal of the Society for Simulation in HealthcareMême sujetSimulation-Based Education in HealthcareTravaux en français237 207