Synergy of wearable technologies and proficiency-based progression for effecting improvement in procedural skill 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
The move from time-based to competence-based training has been limited by practical (often resource) issues and by the variability of effect offered by different training methodologies. Two independent advances, one technical (wearable recording devices (WRDs)) and the other methodological (proficiency-based progression—PBP),1 may act synergistically to enable consistently effective training in procedural skills. In this article, we describe our ongoing work in which both are integrated in ‘real-world’ training and the potential for these together to transform training in procedural skills. Although the proficiency of physicians undertaking procedural skills directly influences patient outcome,2 valid assessment of doctors’ procedural skills is yet a reality. The WRD alone will not be sufficient (as it simply enables acquisition of more data) but these devices can be central to acquiring digital recordings without consuming the learner's attention. Gallagher and colleagues have described PBP for training in procedural skills. This approach consistently achieves greatly superior training effect—including clinical performance—compared with other methods of competency assessment approaches3 but requires the development of unambiguously defined and detailed procedure-specific metrics and errors, so-called ‘procedure characterisation’.1 The success of PBP is dependent on the definition and recognition of specific observable behaviours. In practice, this requires direct (and resource-consuming) expert observation or video acquisition and analysis. The emergence low cost, high-quality WRDs may address this impediment to widespread introduction of PBP. This synergy may enable doctors to acquire a cumulative personal ‘visual data set’ suitable for …
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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