MétaCan
Menu
Retour à la cohorte
Enregistrement W4388632014 · doi:10.1177/15533506231211049

Teaching Chest Tube Insertion by Blended Learning: A Multi-Dimensional Analysis

2023· article· en· W4388632014 sur OpenAlexafffund
Junko Tokuno, Sofia Valanci, Hayaki Uchino, Gabriela Ghitulescu, Christian Sirois, Pepa Kaneva, Gerald M. Fried, Tamara E. Carver

Notice bibliographique

RevueSurgical Innovation · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueSurgical Simulation and Training
Établissements canadiensMcGill University Health CentreRoyal College of Physicians and Surgeons of CanadaMcGill University
Organismes subventionnairesMcGill University
Mots-clésUsabilityCognitive loadBlended learningReading (process)System usability scaleMedicineCognitionLearning effectEducational technologyMultimediaComputer scienceHuman–computer interactionPsychologyWeb usabilityMathematics education

Résumé

récupéré en direct d'OpenAlex

Background Emerging technologies are being incorporated in surgical education. The use of such technology should be supported by evidence that the technology neither distracts nor overloads the learner and is easy to use. To teach chest tube insertion, we developed an e-learning module, as part of a blended learning program delivered prior to in-person hands-on simulation. This pilot study was aimed to assess learning effectiveness of this blended learning, and cognitive load and the usability of e-learning. Methods The interactive e-learning module with multimedia content was created following learning design principles. In advance of the standard simulation, 13 first-year surgical residents were randomized into two groups: 7 received the e-learning module and online reading materials (e-learning group); 6 received only the online reading materials (controls). Knowledge was evaluated by pre-and post-tests; technical performance was assessed using a Global Rating Scale by blinded assessors. Cognitive load and usability were evaluated using rating scales. Results The e-learning group showed significant improvement from baseline in knowledge ( P = .047), while controls did not ( P = .500). For technical skill, 100% of residents in the e-learning group reached a predetermined proficiency level vs 60% of controls ( P = .06). The addition of e-learning was associated with lower extrinsic and greater germane cognitive load ( P = .04, .03, respectively). Usability was evaluated highly by all participants in e-learning group. Conclusion Interactive e-learning added to hands-on simulation led to improved learning and desired cognitive load and usability. This approach should be evaluated in teaching of other procedural 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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0040,002
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,054
Tête enseignante GPT0,347
Écart entre enseignants0,293 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSurgical InnovationMême sujetSurgical Simulation and TrainingTravaux en français237 207