Systematic review of e-learning for surgical training
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
BACKGROUND: Internet and software-based platforms (e-learning) have gained popularity as teaching tools in medical education. Despite widespread use, there is limited evidence to support their effectiveness for surgical training. This study sought to evaluate the effectiveness of e-learning as a teaching tool compared with no intervention and other methods of surgical training. METHODS: A systematic literature search of bibliographical databases was performed up to August 2015. Studies were included if they were RCTs assessing the effectiveness of an e-learning platform for teaching any surgical skill, compared with no intervention or another method of training. RESULTS: From 4704 studies screened, 87 were included with 7871 participants enrolled, comprising medical students (52 studies), trainees (51 studies), qualified surgeons (2 studies) and nurses (6 studies). E-learning tools were used for teaching cognitive (71 studies), psychomotor (36 studies) and non-technical (8 studies) skills. Tool features included multimedia (84 studies), interactive learning (60 studies), feedback (27 studies), assessment (26 studies), virtual patients (22 studies), virtual reality environment (11 studies), spaced education (7 studies), community discussions (2 studies) and gaming (2 studies). Overall, e-learning showed either greater or similar effectiveness compared with both no intervention (29 and 4 studies respectively) and non-e-learning interventions (29 and 22 studies respectively). CONCLUSION: Despite significant heterogeneity amongst platforms, e-learning is at least as effective as other methods 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.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,004 |
| 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) | 0,000 | 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