Use of simulation in teaching haematological aspects to undergraduate medical students improves student’s knowledge related to the taught theoretical underpinnings
Notice bibliographique
Résumé
BACKGROUND: Simulation is an educational method which has several modalities and applications. In the last few decades Simulation-Based Medical Education (SBME) has become a significant influence in medical education. Despite the recognized potential of simulation to be used widely in support of healthcare education, there are no studies focused on the role of simulation in teaching haematology. Moreover, the reaction level is the most commonly reported in medical education. This study evaluates, at two levels of Kirkpatrick's model, the effectiveness of incorporating SBME in teaching haematological aspects to medical students. METHODS: A total of 84 second year medical students from two cohorts received theoretical components of Haematopoietic and Immune System in 4 credits course, delivered using lecture approach. First cohort students (n = 49) participated in interactive learning tutorials to discuss clinical vignettes. Second cohort (n = 35) students participated in simulation sessions where the tutorial's clinical vignettes were developed to clinical simulation scenarios conducted in the simulation centre. The potential influence of the simulation in learning enhancement was evaluated using Kirkpatrick's Evaluation Framework. RESULTS: The students rated the simulation sessions highly and found them to be a valuable learning experience. The category performance summary, generated by the assessment platform, demonstrates improvement in the student's knowledge enhanced by the SBME. CONCLUSIONS: Adaptation of SBME in teaching haematological aspects is a feasible way to improve the student's knowledge related to the taught theoretical foundations. SBME has the potential to enhance the undergraduate medical curriculum and it is expected, in the near future, to be an increasingly recommended educational strategy to bridge the gap between theory and practice.
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 | 0,001 | 0,006 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».