E‐learning/online education in transfusion medicine: A cross‐sectional international survey
Notice bibliographique
Résumé
OBJECTIVES: This survey aims to assess the scope of transfusion e-learning courses in blood establishments and transfusion services internationally. BACKGROUND: E-learning/online education is increasingly used in the education of medical professionals. There is limited published data on the use of e-learning for transfusion medicine. MATERIAL AND METHODS: An International survey was designed and distributed to all members of the International Society of Blood Transfusion to assess utilisation of e-learning in their institutions. Descriptive statistics were used to summarise the results. RESULTS: A total of 177 respondents participated, 68 of which had e-learning modules in their institutions. Approximately two-thirds of the courses were developed in-house (66%), and 63% are available to learners from outside the host institutions. In one-third of institutions, these courses were established during the COVID-19 pandemic, while 15% had used e-learning courses for more than 10 years. The courses target different audiences and topics ranging from blood donation to hemovigilance. The most common audiences were physicians (71%), laboratory scientists/technologists (69%) and transfusion practitioners (63%). Formal assessment of learning outcomes is used in 70% of the programs. CONCLUSIONS: The survey demonstrates the widespread use of e-learning courses in transfusion education, with a substantial proportion being developed during the COVID-19 pandemic.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,037 | 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 ».