MétaCan
Menu
Retour à la cohorte
Enregistrement W3027317088 · doi:10.1136/bmjstel-2020-000622

Can simulation foster resilience in medical students?

2020· article· en· W3027317088 sur OpenAlexaff
Natasha Yates, Eve Purdy, Shahina Braganza, Nemat Alsaba, Anne Spooner, Jane Smith, Victoria Brazil

Notice bibliographique

RevueBMJ Simulation & Technology Enhanced Learning · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueResilience and Mental Health
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésDebriefingMindsetResilience (materials science)Psychological interventionMedical educationPsychologySet (abstract data type)Intervention (counseling)Variety (cybernetics)Applied psychologyMedicineComputer science

Résumé

récupéré en direct d'OpenAlex

Resilience is considered to be ‘a mindset and skill set that can be nurtured into a stronger and more effective attribute’.1 Whether and how it can be nurtured in medical students is a subject of interest for medical educators.1 2 Little is known about how physicians develop resilience.3 While some interventions show promise,4 resilience training in medical education is not well studied. We aimed to develop a teaching intervention with high acceptability to undergraduate medical students, which would allow exposure to challenges in a controlled, psychologically safe environment, and might enhance their resilience. Simulation-based education provided opportunities for carefully designed scenarios and debriefing by trained facilitators. Structured debriefing enabled participants to recognise and discuss stressful situations, as well as increase their connection with each other and with their teachers. These factors have been found to enhance resilience in other contexts.5 Participants’ impressions were explored qualitatively, and suggest that simulation can encourage reflection on the non-technical skill of resilience, provided there is careful design and debriefing of the simulation activity.

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

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gemmaaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Simulation ou modélisationlow
gptaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Autre devislow
modèles en désaccordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,447
Écart entre enseignants0,415 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Étiqueté directement par 2 modèles lisant le dossier complet.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.

Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.

Devis d'étudeSimulation ou modélisation · Autre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMJ Simulation & Technology Enhanced LearningMême sujetResilience and Mental HealthTravaux en français237 207