Making Quality Improvements to Clinical Simulation Scenarios via Podcasting
Notice bibliographique
Résumé
Simulation is a common method for teaching and enhancing healthcare skills. Nevertheless, the construction of a simulation scenario is expensive and time-consuming and requires a great deal of effort. As a result, it is imperative that we make quality improvements to the process of scenario construction. When this is accomplished, we will be able to enhance the existing scenarios, develop new ones, and ultimately enhance these teaching tools. Currently, publishing simulation scenarios as peer-reviewed technical reports is one way to ensure quality and global sharing of scenarios. Yet, another undiscovered potential to further improve the quality of scenarios once the peer-review process is complete is to allow the original scenario designers to reflect on their creative processes using podcasting. This paper proposes that podcasting can be used as a supplement to the peer-review process to address this issue. Podcasting is one of the prevalent forms of media in the twenty-first century. There are currently numerous podcast channels in the healthcare simulation space. However, the majority are focused on introducing simulation experts or discussing issues in healthcare simulation, and none are focused on making quality improvements to clinical simulation scenarios with the authors. We propose to make quality improvements with scenario designers using podcasting in order to communicate information to the public and evaluate what went well and what might have been done better in order to inform future developers.
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 | 0,010 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,012 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,006 |
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 ».