MétaCan
Menu
Retour à la cohorte
Enregistrement W2779517010 · doi:10.5210/jbc.v41i2.7005

Visualizing the Neurobiology of Trauma: Design and evaluation of an eLearning module for continuing professional development of family physicians in the Online Psychiatric Education Network

2017· article· en· W2779517010 sur OpenAlexafffund
Sarah Kim, Leila Lax, Dana Ross, Derek P. Ng, Diana Grossi, Renu Gupta, Sanjeev Sockalingham, Robín Masón, Valerie H. Taylor

Notice bibliographique

RevueJournal of Biocommunication · 2017
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensToronto General HospitalWomen's College HospitalUniversity of Toronto
Organismes subventionnairesUniversity of TorontoWomen's College HospitalRoyal Bank of Canada
Mots-clésNarrativePsychologyCognitionCompromiseProfessional developmentMedicinePsychiatryMedical education

Résumé

récupéré en direct d'OpenAlex

Traumatic experiences can change brain structures and compromise emotional, cognitive, and bodily functions, thereby debilitating patients. Yet, trauma is not well understood by physicians and few educational resources are available, despite its prevalence. The goal of this design research project is to develop and evaluate 2D animations in a case-based eLearning module. Complexities of post-traumatic stress disorder, including physical, emotional, and sexual abuse, are difficult to teach, talk about, and visually portray. Results of this study elucidate effective design dimensions of graphic narratives, keywords, and animations.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,153
Tête enseignante GPT0,498
Écart entre enseignants0,345 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of BiocommunicationMême sujetDigital Mental Health InterventionsTravaux en français237 207