Low-fidelity simulation to enhance understanding of infection control among undergraduate medical students
Notice bibliographique
Résumé
BACKGROUND: Developing economies are stressing institutional care for better health outcomes but its advantages are dampened by healthcare-associated infections (HAIs). Besides other undesired complications, the economic cost of HAIs is enormous. Developing countries have higher HAI rates compared with Europe or the USA. The knowledge and practice of infection control is poor among medical students. Based on introspection of 'Infection Control Module' for undergraduates introduced in 2012, we tested emotional sensitization using low-fidelity techniques to enhance its effectiveness. METHODS: All medical undergraduate students in their second year (n=102) were randomly divided into three groups using balanced randomization (two test and one control). Test groups were made to realize the emotional, social and financial consequences of HAI on patients and their families through low-fidelity simulation in the form of case discussions and video demonstrations. Pre- and postintervention empathy scores were calculated using Toronto empathy questionnaire (TEQ) for all the 102 students. Postintervention, all students were subjected to an infection control module and knowledge test. Perceptions of the intervention groups were recorded. Descriptive statistics and ANOVA were applied for data analysis. RESULTS: Of the 102 students, 93 (91.1%) participated in the study. There was no significant difference in the pre-test TEQ score (p=0.87) but there was a significant difference in the post-test TEQ (p = 0.026) and knowledge test score (p = 0.016) among the groups. Both the simulation exercises were well appreciated by the students. CONCLUSION: Emotional sensitization using low-fidelity simulation served as a catalyst in understanding infection control among medical undergraduate students.
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 | 0,007 | 0,031 |
| 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 | 0,001 |
| 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 ».