Refining How We Define Laparoscopic Expertise
Notice bibliographique
Résumé
BACKGROUND: Traditional stratification of expertise in laparoscopic simulation assigns participants to novice, intermediate, or expert groups based on case numbers. We hypothesized that expert video assessment might refine this discrimination of psychomotor expertise, especially in light of new measurable parameters. MATERIALS AND METHODS: One hundred five participants performed a defined intracorporeal suturing task in the pediatric laparoscopic surgery simulator armed with force-sensing capabilities. Participants were stratified into novice, intermediate, and expert groups via three classification schemes: (1) number of complex laparoscopic cases, (2) self-declared level of expertise, and (3) average expert rating of participants' videos. Precision, time to task completion, and force analysis parameters (FAP = total, maximum and mean forces in three axes) were compared using one-way analysis of variance tests. P < .05 was considered significant. RESULTS: Participants stratified on the basis of case numbers and on the basis of self-declared level of expertise had statistically significant differences in time to task completion, but no significant difference in FAP. When participants were restratified according to expert assessment of their video performance, time to task completion as well as total and mean forces in X, Y, and Z axes allowed discrimination between novices, intermediates, and experts, thus establishing construct validity for the latter. Precision did not allow discrimination in any stratification scheme. CONCLUSION: Compared with traditional stratification, video assessment allows refined discrimination of psychomotor expertise within a simulator. Assessment of FAP may become a relevant tool for teaching and assessing laparoscopic skills.
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) | 0,001 | 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) | 0,001 | 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 ».