Notice bibliographique
Résumé
Suturing is a basic skill required across several specialties. Medical students are most often taught this skill in a workshop setting with one faculty instructor demonstrating the technique. Often, students do not receive sufficient exposure and practice to reach proficiency during these sessions. As a result, there has been increased interest in self-directed suturing practice. Augmented reality, which involves the projection of virtual images in a user’s real environment, is an emerging tool in medical education. We sought to design and evaluate a training module, Suture Tutor, which combines video instruction with holography and voice control for self-directed suturing practice. We assessed the usability and effectiveness of Suture Tutor in a study conducted with 36 second-year medical students. The students were assigned to the Suture Tutor group or the control group. The Suture Tutor group used the training module on Microsoft HoloLens while the control group used the same instructional material on a laptop. Participants were asked to practice for seven minutes with their assigned training method. Then, they replicated a suturing pattern where their performance was video-recorded and evaluated. The Suture Tutor group completed a survey assessing the usability of the training module. It was found that the Suture Tutor was a user-friendly and helpful adjunct. Additionally, the Suture Tutor group interacted with the instructional material significantly more than the control group did (p = 0.0175), suggesting the use of Microsoft HoloLens increased access to training material. We were unable to make conclusions about the effectiveness of Suture Tutor.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».