Mobile Apps for Teaching Intubation: Scoping Review and Critical Analysis in eLearning
Notice bibliographique
Résumé
BACKGROUND: Airway management is a core skill in anesthesia ensuring adequate oxygenation and delivery of inhalational agents for the patient. OBJECTIVE: The goals of this study were to critically evaluate the quality of airway management apps and target revised Bloom's Taxonomy cognitive levels. METHODS: An electronic search using the keywords "airway" and "airway management" was conducted in May 2015 across the App Store, Google Play, BlackBerry World, and Windows Store. Apps were included in the study if their content was related to airway management. App content and characteristics were extracted into a standard form and evaluated. RESULTS: A total of 65 apps met the inclusion criteria, and 73% (47/65) of apps were developed by companies or industry. Anesthesiology trainees were the target audience in only 20% (13/65) of apps. Bag mask ventilation and laryngeal mask airways were covered in only 20% (13/65) of apps. Only 2 apps were supported in the scientific literature. For Bloom's Taxonomy, 37% (24/65) of apps targeted knowledge, 5% (3/65) comprehension, 22% (14/65) application, 28% (18/65) analysis, 9% (6/65) evaluation, and 0% synthesis. Multivariate analysis identified cost of apps, size of apps (MB), and apps targeting trainees and paramedics to be associated with higher levels of cognitive processing of revised Bloom's Taxonomy. CONCLUSIONS: Apps developed for teaching intubation target lower levels of cognitive processing and are largely not validated by research. Cost, app size, and targeted user are associated with higher cognitive levels. Trainees and all users should be aware of the paucity of the published evidence behind the efficacy of some of these apps.
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 | 0,003 | 0,012 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».