Comparing Learning Outcomes in Cardiopulmonary Resuscitation (CPR) and/or Automated External Defibrillator (AED) Training for Laypeople in Face-to-Face, Online, and Mixed Training Methods: An Integrative Literature Review
Notice bibliographique
Résumé
Cardiovascular diseases and cardiac arrest (CA) are the main causes of death worldwide. This review aims to identify publications on the learning outcomes for the use of an automated external defibrillator (AED) and/or cardiopulmonary resuscitation (CPR) to train laypeople (LP), the method of training used, the year of publication and their recommendations. We employed Miller's assessment pyramid to describe learning outcomes as knowledge, skills, and confidence. The methods of training are face-to-face, online, and mixed. The evidence found in this study will be used to support the development and validation of a simulation-based training program to teach LP to operate AEDs delivered by drones in rural and remote (R&R) locations. This article is an integrative literature review with a quantitative and qualitative research design and is composed of seven steps: research question, inclusion and exclusion criteria, search and selection of studies, the role of a second reviewer of the findings, data analysis, interpretation and discussion of the results, and finally knowledge synthesis. The results of this review demonstrate that there are no significant differences in the learning outcomes of the different training methods. Since these findings suggest good results in all methods, the development of a training program based on face-to-face, online, and mixed, especially for places with few resources such as R&R places, indicates all methods can be used as good practices to develop training programs.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».