Engagement and learning in simulation: recommendations of the Simnovate Engaged Learning Domain Group
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 Health professions education (HPE) is based on deliberate learning activities and clinical immersion to achieve clinical competence. Simulation is a tool that helps bridge the knowledge-to-action gap through deliberate learning. This paper considers how to optimally engage learners in simulation activities as part of HPE. Methods The Simnovate Engaged Learning Domain Group undertook 3 teleconferences to survey the current concepts regarding pervasive learning. Specific attention was paid to engagement in the learning process, with respect to fidelity, realism and emotions, and the use of narratives in HPE simulation. Results This paper found that while many types of simulation exist, the current ways to categorise the types of simulation do not sufficiently describe what a particular simulation will entail. This paper introduces a novel framework to describe simulation by deconstructing a simulation activity into 3 core characteristics (scope, modality and environment). Then, the paper discusses how engagement is at the heart of the learning process, but remained an understudied phenomenon with respect to HPE simulation. Building on the first part, a conceptual framework for engaged learning in HPE simulation was derived, with potential use across all HPE methods. Discussion The framework considers how the 3 characteristics of simulation interplay with the dimensions of fidelity (physical, conceptual and emotional), and how these can be conveyed by and articulated through beauty (as a proxy for efficiency) as coexisting factors to drive learner engagement. This framework leads to the translation of deliberately taught knowledge, skills and attitudes into clinical competence and subsequent performance.
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 | 0,003 | 0,015 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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