Developing the Virtual Resus Room: Fidelity, Usability, Acceptability, and Applicability of a Virtual Simulation for Teaching and Learning
Notice bibliographique
Résumé
PROBLEM: Physical distancing restrictions during the COVID-19 pandemic led to the transition from in-person to online teaching for many medical educators. This report describes the Virtual Resus Room (VRR)-a free, novel, open-access resource for running collaborative online simulations. APPROACH: The lead author created the VRR in May 2020 to give learners the opportunity to rehearse their crisis resource management skills by working as a team to complete virtual tasks. The VRR uses Google Slides to link participants to the virtual environment and Zoom to link participants to each other. Students and facilitators in the emergency medicine clerkship at McMaster University used the VRR to run 2 cases between June and August 2020. Students and facilitators completed a postsession survey to assess usability and acceptability, applicability for learning or teaching, and fidelity. In addition, students took a knowledge test pre- and postsession. OUTCOMES: Forty-six students and 11 facilitators completed the postsession surveys. Facilitators and students rated the VRR's usability and acceptability, applicability for learning and teaching, and fidelity highly. Students showed a significant improvement in their postsession (mean = 89.06, standard deviation [SD] = 9.56) compared with their presession knowledge scores (mean = 71.17, SD = 15.77; t(34) = 7.28, P < .001, with a large effect size Cohen's d = 1.23). Two perceived learning outcomes were identified: content learning and communication skills development. The total time spent (in minutes) facilitating VRR simulations (mean = 119, SD = 36) was significantly lower than time spent leading in-person simulations (mean = 181, SD = 58; U = 20.50, P < .008). NEXT STEPS: Next steps will include expanding the evaluation of the VRR to include participants from additional learner levels, from varying sites, and from other health professions.
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 | 0,015 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».