Does E-learning Facilitate Medical Education in Pediatric Neurology?
Notice bibliographique
Résumé
ABSTRACT: Background: E-learning has become commonplace in medical education. Incorporation of multimedia, clinical cases, and interactive elements has increased its attractiveness over textbooks. Although there has been an expansion of e-learning in medicine, the feasibility of e-learning in pediatric neurology is unclear. This study evaluates knowledge acquisition and satisfaction using pediatric neurology e-learning compared to conventional learning. Methods: Residents of Canadian pediatrics, neurology, and pediatric neurology programs and medical students from Queens University, Western University, and the University of Ottawa were invited to participate. Learners were randomly assigned two review papers and two ebrain modules in a four-topic crossover design. Participants completed pre-tests, experience surveys, and post-tests. We calculated the median change in score from pre-test to post-test and constructed a mixed-effects model to determine the effect of variables on post-test scores. Results: In total, 119 individuals participated (53 medical students; 66 residents). Ebrain had a larger positive change than review papers in post-test score from pre-test score for the pediatric stroke learning topic but a smaller positive change for Duchenne muscular dystrophy, childhood absence epilepsy, and acute disseminated encephalomyelitis. Learning topics showed statistical relationship to post-test scores (p = 0.04). Depending on topic, 57–92% (N = 59–66) of respondents favored e-learning over review article learning. Conclusions: Ebrain users scored higher on post-tests than review paper users. However, the effect is small and it is unclear if it is educationally meaningful. Although the difference in scores may not be substantially different, most learners preferred e-learning. Future projects should focus on improving the quality and efficacy of e-learning modules.
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 | 0,005 | 0,036 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».