Shaken and stirred: emotional state, cognitive load, and performance of junior residents in simulated resuscitation
Notice bibliographique
Résumé
Background: Patient resuscitation can be overwhelming for junior postgraduate medical residents due to its inherent complexity and high-stakes environment. Emotional states of unpleasant hyperarousal burden cognitive resources, contributing to cognitive overload and performance decline. Our objective is to characterize the associations between pre-scenario emotional state and junior residents’ cognitive load and performance in a simulated-resuscitation, to provide evidence for informed curricular development. Methods: PGY-1 residents self-rated their emotional state before four simulated-resuscitation scenarios, and their cognitive load after. Faculty assessed performance with entrustment scores. Factor analysis identified the principal components of emotional state data. Linear regression models examined the relationship between pre-scenario emotional components, cognitive load, and performance scores. Results: 47/47 medical and surgical residents (100%) participated and completed Emotional State (99.5%) and Cognitive Load (98.9%) surveys. Positive invigoration and negative tranquility were the principal components. Pre-scenario tranquility was negatively associated with cognitive load (b= -0.23, p < 0.0001), and cognitive load was negatively associated with performance scores (b= -0.27, p < 0.0001). Pre-scenario invigoration was negatively associated with cognitive load (b=-0.18,p = 0.0001), and positively associated with performance scores (b= 0.08, p = 0.0193). Conclusion: Amongst junior residents participating in simulated resuscitation scenarios, pre-scenario agitation (negative tranquility) is associated with increased cognitive load, which itself is associated with lower performance scores. These findings suggest residency programs should consider developing curriculum aimed at modulating residents’ emotional agitation and reducing residents’ cognitive burden to improve resuscitation performance.
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 | 0,007 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».