The use of 'Precision Teaching' in enhancing medical students’ dermatological diagnostic skills
Notice bibliographique
Résumé
<ns4:p>This article was migrated. The article was not marked as recommended. BackgroundEducators have been challenged to provide more effective dermatology teaching methods. Drawing from the discipline of Applied Behaviour Analysis, Precision Training (PT) (e.g. using flashcards during timed learning sessions) can promote fluency i.e. accuracy and speed in a particular skill. We aimed to determine the impact of PT on medical students' dermatology diagnostic skills.MethodsA between-groups controlled interventional study was conducted. Third year medical students were allocated to an intervention (PT + traditional teaching) or control (traditional teaching) group. For the PT group, we designed 50 dermatological image flashcards. Flashcard practice (using the Say All Fast Minute Each Day Shuffle method) took place 2-3 times/day and students' data on accuracy recorded over 5 days. Pre / post-training tests were carried out to determine the impact of PT on students' diagnostic skills.ResultsIn total, 70 students (intervention group) / 65 (control group). Analysis of covariance was used to calculate the change score (comparing pre- and post-test). A statistically significant improvement of 8.8% (95% CIs; 4.9-12.7, p<0.001) was detected in the intervention group.ConclusionsThe findings of this study demonstrated a positive effect of PT on medical students' dermatology diagnostic skills. This study signals new pedagogical opportunities for PT in undergraduate dermatology teaching.</ns4:p>
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 | 0,653 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».