Using a Social Educational Network to Facilitate Peer-Feedback for a Virtual Simulation
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
Virtual simulation offers a viable alternative to traditional educational and training practices, offering trainees the opportunity to train until they reach a specific competency level in a safe and cost-effective manner. One of the benefits of virtual simulation is the ability to provide the trainee with feedback regarding his or her performance in the simulation, thus providing the trainee the opportunity to monitor and adapt progress toward the goal. With respect to learning and development, it has been long known that feedback plays a vital role in learning; we learn faster and more effectively when we know how we are doing and what must be changed to improve our performance. Taking advantage of the benefits afforded by peer-feedback, here we present a preliminary study that examined the application of a customized social educational network—the Observational Practice and Educational Network (OPEN)—to facilitate peer-feedback with respect to recorded performances of a gamified virtual simulation session developed specifically for medical-based cultural competence training. A virtual simulation session was recorded and uploaded to OPEN, which then facilitated peer-feedback by allowing the peers and educators/experts to evaluate, provide comments, and generally discuss the recorded virtual simulation sessions. Questionnaires were employed to gauge the feasibility of a social educational network (OPEN in particular) to facilitate peer-feedback, as well as participant satisfaction with using and interacting with OPEN (i.e., examining the usability of OPEN).
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 | 0,000 |
| 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