Teaching and Assessing Cognitive Competencies in Aesthetic and Plastic Surgery
Notice bibliographique
Résumé
BACKGROUND: Cognition, part of surgical competence, employs forward planning, error prevention, and orchestration of technical skills. Thus, an understanding of mental processes used by experts throughout patient care is essential to teaching such competencies. The authors' study aimed to analyze and compare mental models of two distinct procedures in plastic surgery-breast augmentation and flexor tendon repair-to develop a framework to define cognitive competencies in plastic surgery aided by a review of the literature. METHODS: Based on data from a priori cognitive task analyses, literary sources, and field observations of breast augmentation surgery and flexor tendon repair, task lists were produced for each procedure. Two mental models were developed using fuzzy logic cognitive maps to visually illustrate and analyze cognitive processes used in either procedure. A comparison of the models aided by literature was used to define the cognitive competencies employed, identify differences in the decision-making process, and provide a guiding framework for understanding cognitive competencies. RESULTS: Five distinct cognitive competency domains were identified from the literature applicable to plastic surgery: situation awareness, decision-making, task management, leadership, and communication and teamwork. Differences in processes of decision-making utilized between an elective and a trauma setting were identified. A framework to map cognitive competencies within a generic mental model in surgical care was synthesized, and methods were suggested for training on such competencies. CONCLUSION: Cognitive competencies in different settings in plastic surgery are introduced using a comparative study of two mental models of distinct procedures to guide the teaching and assessment of such competencies.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| 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 ».