Use of Simulation in Canadian Neonatal-Perinatal Medicine Training Programs
Notice bibliographique
Résumé
Introduction Simulation is used for the delivery of education and on occasion assessment. Before such a tool is used routinely in neonatal training programs across Canada, a need assessment is required to determine its current usage by accredited training programs. Our aim was to characterize the type of simulation modalities used and the perceived simulation-based training needs in Canadian neonatal-perinatal medicine (NPM) training programs. Methods A 22-item and 13-item online descriptive survey was sent to all NPM program directors and fellows in Canada, respectively. The survey was modeled on a previously validated tool by Johnston, et al. and responses were collected over 30 days. Results In total, eight (63%) program directors and 24 (28%) fellows completed the survey, with all respondents indicating that simulation is being used. Both lab-based and in situ simulations are occurring, with a range of simulation modalities employed to primarily teach resuscitation, procedural and communication skills. Fellows indicated that simulation should also be used to also teach other important topics, including disease-specific management, crisis resource management, and prevention of medical error. Five (63%) programs have faculty with formal simulation training and four (50%) programs have at least one faculty involved in simulation research. Conclusion Simulation is widely used in Canadian NPM training programs, with program directors and fellows identifying this as an important tool. Simulation can be used to teach a range of skills, but programs need to align their curriculum with both training objectives and learner needs. There is an opportunity for faculty development and increased simulation research.
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 | 0,000 | 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 ».