Instructor Development Workshops for Advanced Life Support Training Courses Held in a Fully Virtual Space: Observational Study
Notice bibliographique
Résumé
BACKGROUND: Various face-to-face training opportunities have been lost due to the COVID-19 pandemic. Instructor development workshops for advanced resuscitation (ie, advanced life support) training courses are no exception. Virtual reality (VR) is an attractive strategy for remote training. However, to our knowledge, there are no reports of resuscitation instructor training programs being held in a virtual space. OBJECTIVE: This study aimed to investigate the learning effects of an instructor development workshop that was conducted in a virtual space. METHODS: In this observational study, we created a virtual workshop space by using NEUTRANS (Synamon Inc)-a commercial VR collaboration service. The instructor development workshop for the advanced life support training course was held in a virtual space (ie, termed the VR course) as a certified workshop by the Japanese Association of Acute Medicine. We asked 13 instructor candidates (students) who participated in the VR course to provide a workshop report (VR group). Reports from a previously held face-to-face workshop (ie, the face-to-face course and group) were likewise prepared for comparison. A total of 5 certified instructor trainers viewed and scored the reports on a 5-point Likert scale. RESULTS: All students completed the VR course without any problems and received certificates of completion. The scores for the VR group and the face-to-face group did not differ at the level of statistical significance (median 3.8, IQR 3.8-4.0 and median 4.2, IQR 3.9-4.2, respectively; P=.41). CONCLUSIONS: We successfully conducted an instructor development workshop in a virtual space. The degree of learning in the virtual workshop was the same as that in the face-to-face workshop.
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 | 0,001 |
| 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) | 0,001 | 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 ».