Mobile Audience Response Systems at a Continuing Medical Education Conference
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: Mobile audience response systems (mARS) are electronic systems allowing speakers to ask questions and audience members to respond anonymously and immediately on a screen which enables learners to view their peers' responses as well as their own. mARS encourages increased interaction and active learning. OBJECTIVES: This study aims to examine the perceptions of audience members and speakers towards the implementation of mARS at a national medical conference. METHODS: mARS was implemented at the CSO Annual Meeting in Winnipeg 2015. Eleven presenters agreed to participate in the mARS trial. Both audience and presenters received instructions. Five-point Likert questions and short answer questions were emailed to all conference attendees and the data was evaluated. RESULTS: Twenty-seven participants responded, 23 audience members and 4 instructors. Overall, responders indicated improved attention, involvement, engagement and recognition of audience's understanding of topics with the use of mARS. mARS was perceived as easy to use, with clear instructions, and the majority of respondents expressed an interest in using mARS in more presentations and in future national medical conferences. Most respondents preferred lectures with mARS over lectures without mARS. Some negative feedback on mARS involved dissatisfaction with how some presenters implemented mARS into the workshops. CONCLUSION: Overall mARS was perceived positively with the majority of respondents wanting mARS implemented in more national medical conferences. Future studies should look at how mARS can be used as an educational tool to help improve patient outcomes.
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 | 0,010 | 0,021 |
| 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 | 0,002 | 0,003 |
| 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