Piloting an interprofessional virtual cadaveric dissection course: Responding to <scp>COVID</scp>‐19
Notice bibliographique
Résumé
Interprofessional learning improves students' clinical and interprofessional competencies. COVID-19 prevented delivering in-person education and motivated the development of a virtual interprofessional cadaveric dissection (ICD) course. This study reports on the effects of a virtual ICD course compared to a previously delivered in-person course, on students' readiness for, and perceptions about, interprofessional learning. Students attending the ICD course in-person (2019-2020) or virtually (2020-2021) completed the Readiness for Interprofessional Learning Scale (RIPLS) and the Interdisciplinary Education Perception Scale (IEPS). Students in the virtual course also provided written feedback. Thirty-two (24 women; Median: 24 [Q1-Q3: 22-25] years) and 23 students (18 women; 22 [21-23] years) attended the in-person and virtual courses, respectively. In the virtual cohort, the RIPLS total score (82 [76-87] vs. 85 [78-90]; p = 0.034) and the roles and responsibilities sub-score (11 [9-12] vs. 12 [11-13]; p = 0.001) improved significantly. In the in-person cohort, the roles and responsibilities sub-score improved significantly (12 [10-14] vs. 13 [11-14]; p = 0.017). No significant differences were observed between cohorts (p < 0.05). Themes identified in the qualitative analysis were advantages and positive experiences, competencies acquired, disadvantages and challenges, and preferences and suggestions. In-person and virtual ICD courses seem to have similar effects on students' interprofessional learning. However, students reported preferring the in-person setting for learning anatomy-dissection skills.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 ».