A scoping review of virtual morning report and outcomes in Canada and the United States
Notice bibliographique
Résumé
Abstract Purpose To describe the current landscape of virtual morning report (VMR) in medical residency education including its varying formats, methods, and associated effectiveness on learning and clinical outcomes. Methods The authors conducted a scoping review using the Arksey and O’Malley methodology. They searched Embase, OvidMEDLINE, Google Scholar, and PubMed between January 1, 1991 to April 15, 2022. Articles written in English on virtual morning report and virtual case-based teaching in medical residency programs were captured. Two authors independently screened articles using the inclusion criteria. Using a snowball approach, further citations were identified from included references. Two authors performed data extraction including outcomes using the Kirkpatrick model. We conducted thematic analysis using an iterative process. Results A total of 401 citations were screened for eligibility and we included 40 articles. The number of published studies per year on VMR increased since the COVID-19 pandemic. Most studies used online case-based modules (n=20; 50.0%) or videoconferencing (n=12; 30.0%). The majority of studies described improved confidence with clinical reasoning, easy access, and preference for chatboxes/polls for engagement (Kirpatrick level 1). Nineteen studies demonstrated improved knowledge acquisition with pre-and post-test scores (Kirkpatrick level 2). Behaviour changes (Kirkpatrick level 3) included improved screening tests and medication prescribing. There were no studies on clinical outcomes (Kirkpatrick level 4). Thematic analyses revealed that VMR increased clinical reasoning, efficiently used technology, provided an inclusive environment for diverse learners, but reduced peer engagement and bedside teaching. Conclusion Virtual morning report has a positive impact on learner confidence, knowledge, inclusivity, accessibility, and behaviour change. Future research is needed to explore the impact on patient outcomes as well as identify strategies for peer engagement and social interaction.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,031 | 0,151 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,004 |
| Bibliométrie | 0,040 | 0,053 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».