Do One Then See One: Sequencing Discovery Learning and Direct Instruction for Simulation-Based Technical Skills Training
Notice bibliographique
Résumé
PURPOSE: When teaching technical skills, educators often include a mix of learner self-regulation and direct instruction. Appropriate sequencing of these activities-such as allowing learners a period of discovery learning prior to direct instruction-has been shown in other domains to improve transfer of learning. This study compared the efficacy of learners trying a novel simulated suturing task before formal instruction (Do then See) versus the more typical sequence of formal instruction, followed by practice (See then Do) on skill acquisition, retention, and transfer. METHOD: In 2015, first-year medical students (N = 36) were randomized into two groups to learn horizontal mattress suturing. The See then Do group had access to instructors before independent practice, whereas the Do then See group explored the task independently before accessing instructors. Participants were assessed at the transition between interventions, and as training ended. Skill retention, and transfer to a novel variation of the suturing task, were assessed after one week. Performance was scored on a five-point global rating scale by a blinded rater. RESULTS: The groups did not differ significantly on immediate posttest or retention test (F[1,30] = 0.96, P < 0.33). The Do then See group (N = 16) outperformed the See then Do group (N = 16) on the transfer test; 2.99 versus 2.52 (F[1,28] = 10.14, P < 0.004, η(2) = 0.27). CONCLUSIONS: Sequencing discovery learning before direct instruction appeared to improve transfer performance in simulation-based skills training. Implications for future research and curricular design are discussed.
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 | 0,001 | 0,005 |
| 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 | 0,000 |
| 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 ».