Impact of High-Fidelity E-Learning on Knowledge Acquisition and Satisfaction in Radiation Oncology Trainees
Notice bibliographique
Résumé
Background: e-Learning is an underutilized tool in education for the health professions, and radiation medicine, given its reliance on technology for clinical practice, is well-suited to training simulation in online environments. The purpose of the present study was to evaluate the knowledge impact and user interface satisfaction of high-(hf) compared with low-fidelity (lf) e-learning modules (e-modules) in radiation oncology training. Methods: Two versions of an e-module on lung radiotherapy (lf and hf) were developed. Radiation oncology residents and fellows were invited to be randomized to complete either the lf or the hf module through individual online accounts over a 2-week period. A 25-item multiple-choice knowledge assessment was administered before and after module completion, and user interface satisfaction was measured using the Questionnaire for User Interaction Satisfaction (quis) tool. Results: < 0.01). Scores on the quis indicated that participants were satisfied with various aspects of the user interface. Conclusions: The hf e-module had a greater impact on knowledge acquisition, and users expressed satisfaction with the interface in both the hf and lf situations. The use of e-learning in a competency-based curriculum could have educational advantages; participants expressed benefits and drawbacks. Preferences for e-learning integration in education for the health professions should be explored further.
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 | 0,000 | 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 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 ».