P.132 Investigation of Simulation-Based Lumbar Puncture Teaching Paradigms for Novice Learners
Notice bibliographique
Résumé
Background: Simulation-based educations’ prevalence within clinical neuroscience is on the rise, however investigation into what environment is most conducive to optimizing learning performance is limited. We aimed to determine whether training a simple-to-complex (progressive) sequence would result in superior learning compared to complex-to-simple (mixed) or complex-only sequences. Methods: A three-arm, prospective, randomised experiment was conducted to determine the effects on novice learner LP performance and cognitive load during learning and a very complex simulated reality assessment test 9-11 days later. Results: During learning, sterility breaches decreased linearly over time (p<.01) with no group differences, and accuracy was higher in the progressive group compared to complex-only (p<.01) and trended in the mixed group (p<.09). Across the learning phase cognitive load increased in the progressive group (p<.01) and decreased across the mixed group (p<.01). At assessment, there were no group differences in number of sterility breaches (p=.66), needle passes (p=.68) or cognitive load (p=.25). Conclusions: Contrary to our hypothesis, equivocal assessment performance was found across groups. Our results suggest that successive progression in complexity of simulation does not increase novice learner outcomes. Further, a “one-size fits all” approach to simulated environment complexity in clinical neurosciences education may be warranted given equivocal learning and less resources necessary.
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 | 0,003 | 0,010 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».