Immersive Video Modeling Versus Traditional Video Modeling for Teaching Central Venous Catheter Insertion to Medical Residents
Notice bibliographique
Résumé
Video modeling (VM) is an instructional adjunct that improves the quality and success of CVC insertion. Immersive VM can improve recall and skill translation, but its role in teaching medical procedures is not established. Research question/hypothesis We hypothesized that, relative to traditional VM, immersive VM would decrease cognitive load and enhance ultrasound-guided CVC insertion skill acquisition. Methods Thirty-two resident physicians from four specialties were randomized into traditional (control) or immersive VM (intervention) groups for three CVC training sessions. Cognitive load was quantified via NASA Task Load Index (TLX). Mean (± standard deviations) values were compared using two-tailed t-tests. Skill acquisition was quantified by procedural time and the average 5-point [EM1] [TB2] entrustment score of three expert raters. Results Overall entrustment scores improved from the first (3.44±0.98) to the third (4.06±1.23; p<0.002) session but were not significantly different between the control and intervention groups. There were no significant differences between NASA TLX scores or procedural time. Conclusion We found no significant difference in entrustment, cognitive load, or procedural time. Immersive VM was not found to be superior to traditional VM for teaching CVC insertion.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».