Investigating the Effects of Error Management Training versus Error Avoidance Training on the Performance of Veterinary Students Learning to Tie Surgical Knots
Notice bibliographique
Résumé
Although errors can be a powerful impetus for learning, conventional pedagogy often emphasizes error-avoidance strategies that reward correct answers and disfavor mistakes. Error management training (EMT) takes an explicitly positive approach to errors, using them to create an active and self-directed learning environment. Using a surgical knot–tying model, we aimed to determine the efficacy of EMT among veterinary students with no prior surgical experience. We hypothesized that EMT would result in improved performance in unfamiliar scenarios (adaptive transfer) compared with an error-avoidance method. In this prospective double-blinded study, 42 students were equally divided between error avoidance training (EAT) and EMT groups. Performance in instrument- and hand-tied knots was evaluated for technique, time, number of attempts, and, when applicable, knot-leaking pressure. All participants demonstrated significant improvement between a pre-test and an analogous test 48 hours after training for all six outcomes (Wilcoxon matched pairs; two-tailed ps ≤ .013). An adaptive transfer test found no significant differences between EMT and EAT at 48 hours ( ps ≥ .053). All participants demonstrated a significant performance decline in six of eight outcomes at 7 weeks post-training ( ps ≤ .021). This decline was not significant for four of six EMT outcomes yet significant for five of six EAT outcomes. These data suggest that students trained in both EMT and EAT experience comparable gains in short-term performance, including adaptive transfer. Compared with EAT, EMT may help attenuate performance decline after a sustained period of quiescence. Educators may consider actively incorporating EMT into veterinary curricula.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».