Notice bibliographique
Résumé
Introduction: Clinical practice includes expressing empathy and understanding key features of humanity, such as mortality and illness. The Stanislavski “System” of actor training negotiates a journey from the unconscious via feeling, will and intellect to a proposed supertask. This study explored these areas during collaborative learning amongst undergraduate medical and drama students. Materials and Methods: Each of two interactive sessions involved teams of final year medical students rotating through challenging simulated clinical scenarios, enacted by undergraduate drama students, deploying key techniques from the Stanslavski system of actor training. Team assessment of performance was via a ratified global scoring system and dynamic debriefing techniques. Results: Medical students reported an enhanced immersive experience within simulated clinical scenarios. Drama students reported increased challenge and immersion within their roles. Medical faculty and standardised patients reported positive utility and value for the approach. Clinical team assessment scores increased by 47% (p < 0.05) with this intervention. Discussion: Qualitative and quantitative data demonstrated the merit and utility of such interdisciplinary learning. All students and faculty appreciated the value of the activity and described enhanced learning. Collaborative dynamic debriefing allowed for a continuation of the immersive experience and allowed for an exploration of arenas such as empathy. Conclusions: The deployment of drama students trained in the Stanislavski system significantly enriched medical and drama student experience and performance. Team assessment scores further demonstrated the effectiveness of this approach. Feedback from students, faculty and standardised patients was uniformly positive. The approach facilitated exploration of empathy.
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 ».