Synergy of wearable technologies and proficiency-based progression for effecting improvement in procedural skill training
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».