Comparison of Knowledge Retention after the Use of a Virtual Patient versus a High-Fidelity Physical Simulator and Traditional Training
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.
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 | 0,002 | 0,006 |
| 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) | 0,002 | 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 ».