A distributed learning strategy improves performance and retention of skills in neonatal resuscitation
Notice bibliographique
Résumé
Skill retention after neonatal resuscitation training is poor. A distributed learning strategy – where learning is spread over multiple sessions – can improve retention of declarative memory (facts & knowledge). Session timings are critical – maximal retention occurs when a refresher session is scheduled at 10-30% of the time between initial training and test. We hypothesized this also holds true for neonatal resuscitation, a complex skill set requiring both declarative and procedural memory. We conducted a prospective, single-blinded randomized-controlled trial. University of Ottawa residents were recruited to training in neonatal resuscitation, with a high-fidelity simulated pre-test, immediate post-tests, and a retention test at 4 months. After training, they were randomized to either a refresher session at 3 weeks (18% of interval) or at 2 months (50%). Technical and non-technical skills were scored using validated checklists, knowledge with standardized questions. There was no difference between groups prior to the retention test. The early refresher group demonstrated significantly improved technical (mean ± 95% CI: 22.4 ± 1.3 v 18.2 ± 2.5, p = 0.02) and non-technical (31.0 ± 0.9 v 25.6 ± 3.1, p = 0.03) skill scores in the retention post-test compared to the late group. No difference was seen with knowledge scores. We conclude that both technical and non-technical aspects of neonatal resuscitation performance can benefit from an early refresher session. Session timings are critical and should be tailored to the desired length of skill retention. Findings may be generalizable to other interventions that depend on mixed types of memory.
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 | 0,000 |
| 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) | 0,000 | 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 ».