MétaCan
Menu
Retour à la cohorte
Enregistrement W2338909889 · doi:10.1097/sih.0000000000000165

Optimizing the Timing of Expert Feedback During Simulation-Based Spaced Practice of Endourologic Skills

2016· article· en· W2338909889 sur OpenAlexaff
Jason Young Lee, Elspeth M. McDougall, Matthew Lineberry, Ara Tekian

Notice bibliographique

RevueSimulation in Healthcare The Journal of the Society for Simulation in Healthcare · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueSurgical Simulation and Training
Établissements canadiensUniversity of TorontoUniversity of British ColumbiaSt. Michael's Hospital
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSimulation

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Provision of expert feedback is widely acknowledged to be an essential component of simulation-based training. However, little is known about the most effective and efficient ways to provide feedback to novices. Optimizing the timing of expert feedback may improve outcomes while reducing resource requirements. The main objective of this study was to determine the impact of providing early versus late expert feedback to novice learners engaged in a flexible ureteroscopy (fURS) training curriculum. METHODS: Senior medical students were recruited to participate in this study. Each student participated in a comprehensive fURS training curriculum that included 3 deliberate, independent practice sessions. Baseline and postcourse fURS skill was assessed for each student using a standardized fURS test task. Each student was randomized to either an early feedback group (EFG) or late feedback group (LFG). The EFG participants were provided expert feedback immediately after the baseline skill test, whereas LFG participants were given feedback before their final deliberate, independent practice session. RESULTS: Eighteen senior medical students completed the study (9 EFG and 9 LFG participants). There were no discernible demographic differences between the groups at baseline. When controlling for pretest performance, early rather than late feedback was associated with both shorter postcourse time to completion of the task (19.2 vs. 21.5 minutes, P < 0.01) and higher performance scores (13.1 vs. 10.5, P < 0.01). CONCLUSIONS: This study offers preliminary evidence that novice learners may benefit more from early feedback when learning a novel skill. Further study is required.

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)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,998
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,060
Tête enseignante GPT0,393
Écart entre enseignants0,332 · 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.

Devis d'étudeObservationnel
DomaineMéthodes
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

Citations12
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSimulation in Healthcare The Journal of the Society for Simulation in HealthcareMême sujetSurgical Simulation and TrainingTravaux en français237 207