Do Weekly Alerts From a Mobile Application Influence Reading During Residency?
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: The benefits of “spaced education” have been documented for residents in highly focused specialties. We found no published studies of spaced education in family medicine. In this study, we report on the feasibility of delivering weekly alerts from a mobile application (app) developed for exam preparation, to increase the reading of clinical information in the family medicine residency. Methods Design: This is a 2-phase mixed methods study. Phase one is a quasi-experimental study of resident reading of information related to priority topics in family medicine. Reading was documented by page views in a noncommercial mobile app. Participants: All incoming first-year residents at two university training programs in Canada. The intervention group received one alert per week to priority topics on the app, beginning in their second month of residency. The control group was given access to the same app, but received no alerts. Results: In this paper, we report the phase one preliminary findings. In the intervention group, 81 of 96 first year residents consented. At the control site, 79 of 85 residents consented. After 100 days, intervention group residents had viewed more pages of clinical information across all 99 priority topics (1,546 versus 900) and per topic (15.7 versus 9.1 pages, P < 0.0003). On average, each increase of one visit to the app following a weekly alert was associated with an increase of 3.2 visits to pages of clinical information in the app. Conclusion: A weekly alert delivered via mobile app shows promise with respect to reading in the family medicine residency.
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 | 0,000 | 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 découle