Evaluation of a Web‐Based Module and an Otoscopy Simulator in Teaching Ear Disease
Notice bibliographique
Résumé
Objective To determine which teaching method-otoscopy simulation (OS), web-based module (WM), or standard classroom instruction (SI)-produced the best improvement in the diagnosis of middle/external ear pathologies and the development of otoscopy clinical skills. Study Design Prospective randomized controlled nonclinical trial. Setting Preclerkship undergraduate medical education. Subjects and Methods Fifty-four medical students (first year, 26; second year, 28) were randomized to receive 1 of the 3 interventions: OS, WM, or SI. All students underwent baseline testing of diagnostic accuracy (25 ear pathologies) and otoscopy skills. Immediately following each intervention and 3 months later, testing was repeated. Results Baseline scores for diagnostic accuracy and otoscopy skills did not differ across intervention groups. Immediately postintervention, all groups showed an improvement in diagnostic accuracy ( P < .001). OS scored significantly higher than SI ( P < .001), as did WM ( P = .003). At 3-month follow-up, all groups continued to demonstrate improved diagnostic accuracy as compared with baseline. Again, OS showed improvement over SI ( P = .031). For otoscopy clinical skills, only OS improved immediately postintervention ( P < .001). OS had significantly higher scores than WM and SI ( P < .001). At 3-month follow-up, OS again showed improvement over WM ( P < .001) and SI ( P = .009). Conclusion All groups showed an improvement in diagnostic accuracy immediately postintervention, with the largest increases coming from OS and WM. Otoscopy clinical skills increased and were retained only in OS. Preclerkship medical student acquisition and retention of otolaryngology diagnostic skills can be greatly improved through web-based teaching modules and otoscopy simulation.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».