A multiple-trainee, multiple-level, multiple-competency (multi-TLC) simulation-based approach to training obstetrical emergencies
Notice bibliographique
Résumé
Competency-based education requires that programs increase the breadth of direct observation and assessment to improve resident training. To achieve these goals, the authors developed and executed a multiple-trainee, multiple-level, multiple-competency (Multi-TLC) obstetrical emergencies simulation curriculum. Depending upon their training level (PGY1-PGY5), obstetrics and gynaecology residents participated in various roles (i.e., first responder, second responder, confederates, and evaluators) within four simulation scenarios designed to provide opportunities for education, direct observation, and assessment across a number of competencies (i.e., medical expert, communicator, collaborator, leader, advocate, and scholar). The curriculum was carried out over 8 h spread evenly across 2 days (i.e., 4 h/day) and involved periods of pre-briefing, live simulation, and debriefing. An evaluation of the Multi-TLC was operationalised via a context-input-process-product model. This report presents the outcomes of that evaluation derived from quasi-experimental comparisons of the new and previous curricula across four priorities for simulation-based education identified by the Department of Obstetrics and Gynecology at McMaster University (Hamilton, ON, Canada): increasing learning opportunities, maintaining or improving resident learning, maintaining or reducing program costs, and improving resident satisfaction. The evaluation revealed that the Multi-TLC curriculum permitted a greater breadth of direct observation and assessment across competencies, maintained the previous learning objectives while also addressing additional ones, and was done so in a way that reduced the overall financial and human resource costs associated with the department's obstetrical emergency simulation curriculum. A Multi-TLC organisation of simulation curricula can facilitate efficient application of competency-based education principles.
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 | 0,002 | 0,004 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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 ».