E-learning for chest x-ray interpretation improves medical student skills and confidence levels
Notice bibliographique
Résumé
BACKGROUND: Radiology is an important aspect of medicine to which medical students often do not receive sufficient exposure. The aim of this project was to determine whether the integration of an innovative e-learning module on chest x-ray interpretation of the heart would enhance the radiological interpretive skills, and improve the confidence, of first year graduate entry medical students. METHODS: All first-year graduate entry (all students had a prior university degree) medical students at the University of Limerick (n = 152) during academic year 2015-16 were invited to participate in this study. An assessment instrument was developed which consisted of 5 radiological cases to be interpreted over a designated and supervised 15-min time period. Students underwent a pre-, mid- and post-intervention assessment of their radiology interpretative skills. An online e-module was provided following the pre-test and additional practice cases were provided following the mid-intervention test. Assessment scores and confidence levels were compared pre-, mid- and post-intervention. RESULTS: The overall performance (out of a total score of 25) for the 87 students who completed all three assessments increased from 13.2 (SD 3.36) pre-intervention to 14.3 (SD 2.97) mid-intervention to 15.8 (SD 3.40) post-intervention. This change over time was statistically significant (p < 0.001) with a medium effect size (eta-squared = 0.35). Increases from pre- to post-intervention were observed in each of the five areas assessed, although performance remained poor in diagnosis post-intervention. Of the 118 students who provided feedback after the intervention, 102 (86.4%) stated that they would recommend the resource to a colleague to improve their interpretative skills. CONCLUSIONS: This study suggests that early exposure to e-learning radiology modules is beneficial in undergraduate medical school curricula. Further studies are encouraged to assess how long the improvement may last before attrition.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».