Implementing economic evaluation in simulation‐based medical education: challenges and opportunities
Notice bibliographique
Résumé
CONTEXT: Simulation-based medical education (SBME) is now ubiquitous at all levels of medical training. Given the substantial resources needed for SBME, economic evaluation of simulation-based programmes or curricula is required to demonstrate whether improvement in trainee performance (knowledge, skills and attitudes) and health outcomes justifies the cost of investment. Current literature evaluating SBME fails to provide consistent and interpretable information on the relative costs and benefits of alternatives. CONTENT: Economic evaluation is widely applied in health care, but is relatively scarce in medical education. Therefore, in this paper, using a focus on SBME, we define economic evaluation, describe the key components, and discuss the challenges associated with conducting an economic evaluation of medical education interventions. As a way forward to the rigorous and state of the art application of economic evaluation in medical education, we outline the steps to gather the necessary information to conduct an economic evaluation of simulation-based education programmes and curricula, and describe the main approaches to conducting an economic evaluation. CONCLUSION: A properly conducted economic evaluation can help stakeholders (i.e., programme directors, policy makers and curriculum designers) to determine the optimal use of resources in selecting the modality or method of assessment in simulation. It also helps inform broader decision making about allocation of scarce resources within an educational programme, as well as between education and clinical care. Economic evaluation in medical education research is still in its infancy, and there is significant potential for state-of-the-art application of these methods in this area.
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 | 0,007 |
| 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) | 0,005 | 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 ».