Learning Echocardiography in the Workplace: A Cognitive Load Perspective
Notice bibliographique
Résumé
PURPOSE: Although workplace learning environments provide authentic tasks to promote learning, elements of clinical settings may distract trainees and impede learning. The characteristics of workplace learning environments that require optimization are ill-defined. Applying principles of cognitive load theory (CLT) to optimize learning environments by managing intrinsic load (complexity of the task matched to learner knowledge and skill), minimizing extraneous load (any aspect that is not part of task completion), and increasing germane load (processing for storage in long-term memory) could be advantageous. The authors explored trainee perceptions of characteristics that helped or impaired learning from a cognitive load perspective. Echocardiography interpretation was used as a model. METHOD: The authors conducted semistructured interviews between December 2018 and March 2019 with a purposeful sample of 10 cardiology trainees at the University of California, San Francisco, School of Medicine until thematic sufficiency was achieved. Participants represented a range of training levels (3 fourth-year trainees, 2 fifth-year trainees, 3 sixth-year trainees, and 2 advanced echocardiography fellows) and career aspirations (4 desired careers in imaging). Two independent coders analyzed interview transcripts using template analysis. Codes were mapped to CLT subcomponents. RESULTS: Trainees selected their own echocardiograms to interpret; if trainees' skill levels and the complexity of the selected echocardiograms were mismatched, excess intrinsic load could result. Needing to look up information essential for task completion, interruptions, reporting software, and time pressures were characteristics that contributed to extraneous load. Characteristics that related to increasing germane load included the shared physical space (facilitating reading echocardiograms with attendings and just-in-time guidance from near peers) and the availability of final reports to obtain feedback independent of teachers. CONCLUSIONS: As interpreted from a cognitive load perspective, findings highlight characteristics of workplace learning environments that could be optimized to improve learning. The findings have direct application to redesigning these learning environments.
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 | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,014 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».