Using Learning Curves to Identify and Explain Growth Patterns of Learners in Bronchoscopy Simulation: A Mixed-Methods Study
Notice bibliographique
Résumé
PURPOSE: Learning curves can illustrate how trainees acquire skills and the path to competence. This study examined the growth trajectories of novice trainees while practicing on a bronchoscopy virtual reality (VR) simulator compared with those of experts. METHOD: This was a sequential explanatory mixed-methods design. Twenty pediatric subspecialty trainees and 7 faculty practiced with the VR simulator (October 2017 to March 2018) at the Hospital for Sick Children, Toronto, Canada. The authors examined the relationship between number of repetitions and VR outcomes and patterns of growth using a growth mixture modeling. Using an instrumental case study design, field notes and semistructured interviews with trainees and simulation instructor were examined to explain the patterns of growth. The authors used a constant comparative approach to identify themes iteratively. Team analysis continued until a stable thematic structure was developed and applied to the entire data. RESULTS: The growth mixture model identified 2 patterns of growth. A slower growth included learners that had inherent difficulty with the skill, did not integrate the knowledge of anatomy in simulation practice, and used the simulator for simple repetitive practice with no strategy for improvement in between trials. The faster growth included learners who used an adaptive expertise approach: integrating knowledge of anatomy, finding flexible solutions, and creating a deeper conceptual understanding. CONCLUSIONS: The authors provide validity evidence for use of growth models in education and explain patterns of growth such as a "slow growth" with a mechanistic repetitive practice and a "fast growth" with adaptive expertise.
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 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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».