Educational Technology Use in Neurodiagnostic Clinical Skills Training
Notice bibliographique
Résumé
The current shortage of clinical sites for neurodiagnostic technology (NDT) students is limiting enrollments and subsequently limiting graduates from NDT schools in the U.S. A lack of knowledge or consensus concerning the use of educational technology in NDT clinical skills training prompted this investigation. The purpose of this study was to explore the use of educational technology in providing NDT clinical skill training. This qualitative Delphi study was guided by experiential learning theory and cognitive constructionist epistemology. Thirty expert panelists were recruited to rate the effectiveness of educational technology methods in addressing neurodiagnostic competencies for electroencephalography. Twenty-four completed round one, twenty-two completed round two and nineteen completed the third and final round. The competencies were derived by combining national competencies or practice analysis from the United States, Australia, Canada and the United Kingdom for neurodiagnostic technologists performing electroencephalography (EEG). Results of the three rounds of the Delphi study were processed using the mean value and interquartile deviation for evaluation of consensus. Consensus among the expert panelists supported the potential effectiveness of educational technology to address neurodiagnostic graduate competencies for technologists performing EEG. In conclusion, the expert panel consensus was NDT clinical skills for performing EEG can be addressed using educational technology, followed by a post-graduate clinical residency. Using educational technology and a post-graduate residency could increase school capacity. An increase in graduate numbers would help sustain the existing schools, better supply the profession, and increase public access to quality neurodiagnostic care.
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 | 0,001 | 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 | 0,001 | 0,002 |
| 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 ».