The Benefits of Tying Yourself in Knots: Unraveling the Learning Mechanisms of Guided Discovery Learning in an Open Surgical Skills Course
Notice bibliographique
Résumé
PURPOSE: Teaching technical skills through the use of guided discovery learning (GDL) is an ongoing topic of research. In this approach, learners practice and struggle before receiving formal instruction. This has shown promise in other domains of learning, yet in the realm of procedural skills, clarity is still needed. This study seeks to address these gaps by investigating efficacy and mechanisms relating to application for a GDL approach in teaching basic surgical skills. METHOD: In 2018, young surgical trainees (N = 16) undertook a 6-week open surgical course applying the principles of GDL, each lesson beginning with a discovery phase before subsequent instruction and practice. A concurrent triangulation mixed-methods approach was used with direct observation and collection of semistructured interviews using a framework designed from productive failure literature. At the end of the course, all participants took a conceptual knowledge test and a performance-based skills test. Performance on the skills test was rated using global ratings and checklists. RESULTS: The GDL cohort outperformed the historical cohort on the written exam (F [1,65] = 4.96, P = .029, d = .62), as well as on the summative suturing test (F [1,65] = 6.23, P = .015, d = .68). Furthermore, 3 main themes that highlight the mechanisms and mediators of efficient GDL were: (1) building conceptual knowledge, (2) motivating self-regulated learning, and (3) the type of skill and psychological safety. CONCLUSIONS: GDL can be an efficient approach to teaching procedural skills. Implications for future research and curricular design are discussed.
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 | 0,003 | 0,003 |
| 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 | 0,002 |
| 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 ».