Comparison of Knowledge Retention after the Use of a Virtual Patient versus a High-Fidelity Physical Simulator and Traditional Training
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Aim: This research assesses the effect of a virtual patient simulation platform CyberPatient (CP) compared to a high-fidelity physical simulator SimJunior (SJ) and traditional bedside training (TBT) on knowledge retention and competencies in a health education environment. Material: A total of 143 fifth-year medical students were randomly assigned to three groups: TBT-Group (n = 55) received traditional education; CP-Group (n = 44) was trained with a virtual patient platform CyberPatient; and SJ-Group (n = 44) was trained using a high-fidelity simulator SimJunior. Educational content for all groups included competencies on pediatric asthma. Methods: Students’ level of knowledge acquisition was measured with a multiple-choice question test (MCQ) administered before the application of educational methods (Assessment I), immediately after completion of pediatric asthma training (Assessment II), and knowledge retention was measured two months later the completion of training (Assessment III). At the end of the study, student satisfaction was also measured by a survey questionnaire containing 5 questions rated on a Likert scale. Results: Assessment of acquired knowledge immediately after completion of pediatric asthma training revealed a significant difference between TBT-Group and SJ-Group (p p Conclusions: Virtual training with CyberPatient and high-fidelity physical simulation had a significant (p
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle