A Didactic Escape Game for Emergency Medicine Aimed at Learning to Work as a Team and Making Diagnoses: Methodology for Game Development
Notice bibliographique
Résumé
BACKGROUND: In the health care environment, teamwork is paramount, especially when referring to patient safety. We are interested in recent and innovative solutions such as escape games, which is a type of adventure game that may be highly useful as an educational tool, potentially combining good communication skills with successful gamification. They involve teams of 5 to 10 individuals who are "locked" in the same room and must collaborate to solve puzzles while under pressure from a timer. OBJECTIVE: The purpose of this paper was to describe the steps involved in creating and implementing an educational escape game. This tool can then be put into service or further developed by trainers who wish to use it for learning interprofessional collaboration. Therefore, we started with an experience of creating an educational escape game for emergency medicine teams. METHODS: We chose to develop an educational escape game by using 6 successive steps. First, we built a team. Second, we chose the pedagogical objectives. Third, we gamified (switched from objectives to scenario). Next, we found the human and material resources needed. Thereafter, we designed briefing and debriefing. Lastly, we tested the game. RESULTS: By following these 6 steps, we created the first ambulant educational escape game that teaches people, or nurses, doctors, and paramedics, working in emergency medicine to work as a team. CONCLUSIONS: From a pedagogic point of view, this game may be a good tool for helping people in multidisciplinary fields (medical and paramedical teams) to learn how to work collaboratively and to communicate as a group. Above all, it seems to be an innovative tool that complements medical simulation-based learning and thus consolidates traditional education.
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 | 0,001 | 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) | 0,002 | 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 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 ».