CyberPatient<sup>TM</sup>—An Innovative Approach to Medical Education
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: Variety of tools has been used to teach history-taking skills to novice learners. Standardized Patient (SP) is the gold standard for medical education. We hypothesized that the use of online simulation platforms CyberPatientTM (CP) is as effective as SP. Methods: In this prospective randomized controlled trial study, the educational effectiveness of CP was compared to SP in improving history taking skills. Twenty-two incoming students at University of British Columbia (UBC) were randomly divided in to two (SP and CP) groups. SP Group (n = 11) practiced their history taking skills with the standardized patients and CP Group (n = 11)—with CyberPatients. The content for both groups included 3 cases of GI pathology and the study time was 60 minutes. Assessment method included Objective Structured Clinical Examination (OSCE) before and after interventions. Data were analysed in a two-way between/within ANOVA and Wald test was used to deal with the violation of the ANOVA assumptions. Economic benefits were assessed as Cost-effectiveness (calculated as Cost/Effect Ratio) and Cost-Value Proposition (Cost-Vale Relationship). Results: Results of this study indicated that both groups had significant (SP group p = 0.006 and CP group p = 0.0001) improvement in the knowledge domain of history taking. The history taking knowledge variable in both groups manifested a significant main effect of time indicating that students did better after interventions, F (1, 15.1) = 10.5, p = 0.011. The groups performed at a similar level after intervention. Moreover, results show that the use of the CP is more cost-effective and has a better cost/value proposition for medical education. Conclusion: We conclude that CyberPatientTM is as effective as using standardized patients in delivery of practical knowledge for novice medical students, however, CyberPatientTM is more economically rewarding.
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 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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