Optimizing the Timing of Expert Feedback During Simulation-Based Spaced Practice of Endourologic Skills
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle