Virtual reality videos for training and protocol dissemination during a pandemic
Notice bibliographique
Résumé
This article was migrated. The article was marked as recommended. Preparations for the COVID-19 pandemic required healthcare teams to practice known skills, such as intubation, with renewed consideration for safety, as well as develop new Standard Operating Procedures (SOPs) for health care delivery. In these conditions, translational simulation based-education (SBE) is a well-known tool that supports health care teams to improve the system using design thinking methods such as walkthroughs and team-based simulation. However, the pandemic has introduced two stressors on translational SBE simultaneously. Firstly, the need for rapid upskilling of front-line staff and rapid change to SOPs. Secondly, the need for social or physical distancing at work, such that it quickly became inappropriate for large groups of individuals to practice in-situ SBE and debrief together in close proximity. An educational approach that brings the best of translational SBE while minimizing contact and maximizing experiential learning is needed.Digital learning has been rapidly adopted by much of medical education during the pandemic. Focusing on a strong alignment between learning goals with intended clinical performance change outcomes we sought to leverage a digital education format that allowed for low barriers to adoption, yet supported the experiential, dynamic reality of translational SBE. In the absence of the ability to quickly train large numbers of people due to the need for social distancing, an immersive experience that can only be provided by virtual reality (VR) videos was the next best thing. VR, using 360-degree video, supported the creation of instructional videos from SBE events in the hospital which allow the learner to immerse and explore multiple points within the scenario. We describe how the very act of recording a video assisted in the rapid development of SOPs through translational simulation. We then describe the use of VR to stay true to the spirit of simulation for experiential learning and nearly hands-on training.
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 | 0,010 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,152 | 0,020 |
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 ».