Learning knee arthrocentesis using YouTube videos
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: This study aims to compare medical students' educational outcomes in performing knee arthrocentesis through searching and using YouTube videos versus traditional supervisor-led sessions. METHOD: Seventy-one medical students were randomly assigned to three groups. Group A had a traditional supervisor-led clinical session, where the supervisor demonstrated the procedure. Students in group B were provided with links to YouTube videos of knee arthrocentesis that were deemed to be of high educational quality, whereas group C searched and learned from any YouTube video that they found themselves based on the learning objectives provided. Student performance was first examined following the learning sessions, and then again after receiving feedback on the performance. RESULTS: Prior to feedback, statistically significant higher mean scores were noted for group A in the identification of an appropriate puncture site (p = 0.015), puncture site sterilization (p = 0.046), wearing sterile gloves (p < 0.001) and direction of needle insertion (p < 0.001). The overall mean scores (maximum possible score is 21) before feedback for groups A, B and C were 17.9 ± 1.9, 14.9 ± 2.0 and 15.4 ± 1.8, respectively (p < 0.001). The overall mean scores after feedback for groups A, B and C were 21.0 ± 0.0, 20.9 ± 0.3 and 21.0 ± 0.0, respectively (p = 0.037). CONCLUSION: Students performed equally whether they were provided with videos or found their own; however, without appropriate learner feedback from an instructor, YouTube videos cannot replace traditional supervisor-led sessions for learning knee arthrocentesis.
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.
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 | 0,010 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,008 |
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 découle