Development of a Hands-On and Virtual Simulation Training Module To Teach Microtomy
Notice bibliographique
Résumé
BACKGROUND: Microtomy is a risky procedure that medical laboratory technologists (MLTs) use to cut tissue samples for microscopic examination. Due to the safety concerns and the potential to destroy tissue samples, it is critical for learners to perform the procedure correctly. To allow for safe and controlled learning, this procedure should be acquired in a safe and controlled simulated setting before being attempted on human tissues. The overarching purpose of this work is the development of a virtual training module for undergraduate students to learn from. However, because of the heterogeneity in the steps required to successfully complete the procedure from the MLTs as well as in the literature, the aim of this study was to reach a consensus from a panel of experts about identifying the steps of the procedure using the think-aloud and modified-Delphi methods. METHODS: First, we conducted a think-aloud protocol with a single MLT expert trained in microtomy to generate the list of steps of the microtomy procedure objectively. In order to remove any idiosyncratic steps, next, we asked eight experts that were trained in histology to rate the criticalness of each step using a (1-5) Likert scale and provide evaluative feedback. RESULTS: The think-aloud protocol generated 10 steps for the microtomy procedure. During the subsequent two rounds of the Delphi exercise, the experts agreed to modify one step of the 10 steps. CONCLUSIONS: Through this work, the 10 steps of the microtomy procedure have been validated by experts in the field. Following that, a virtual simulation training module was built to instruct learners on the microtomy procedure. The virtual simulation training module may be used for further research in microtomy.
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 | 0,000 | 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 ».