The RETAIN Simulation-Based Serious Game—A Review of the Literature
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: Each year, over 13 million babies worldwide need help to breathe at birth. While guidelines recommend the Neonatal Resuscitation Program course, medical errors remain common. Frequent simulation training and assessment is needed to address this competence gap; however, alternative approaches are needed to overcome barriers to access. The RETAIN (REsuscitation TrAINing) simulation-based serious game (Retain Labs Medical Inc., Edmonton, AB, Canada) may provide a solution to supplement traditional training. This paper aims to review the available evidence about RETAIN for improving neonatal resuscitation education. Method: Literature searches of PubMed, Google Scholar, Cochrane Central Register of Controlled Trials, CINAHL, Web of Science, and EMBASE databases were performed to identify studies examining the RETAIN serious game for neonatal resuscitation training. All of the studies describing the RETAIN board game and computer game were included. Results: Three papers and one conference proceeding were identified. Two studies described the RETAIN board game, and two studies described the RETAIN computer game. RETAIN was reported as usable and clinically relevant. RETAIN also improved knowledge of neonatal resuscitation by 12% and functioned as a summative assessment. Further, performance on RETAIN was moderated by players’ self-reported mindset. Conclusion: RETAIN can be used for the training and assessment of experienced neonatal resuscitation providers. Further studies are needed to understand the effectiveness of RETAIN to (i) improve other cognitive and non-cognitive skills, (ii) in diverse populations of neonatal resuscitation providers, (iii) in comparison to current standard training approaches, and (iv) in improving clinical outcomes in the delivery room.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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