Can you teach a hands-on skill online? A scoping review of e-learning for point-of-care ultrasound in medical education
Notice bibliographique
Résumé
Background: There is an increasing need and interest in teaching point-of-care ultrasound (POCUS) online. The objective of this study was to systematically review the literature regarding e-learning as a method for teaching POCUS in medical education, to assess the benefits and limitations of various styles of e-learning for POCUS, and to identify gaps in the literature that could help guide future research in this field. Methods: A literature search was conducted on three databases including MEDLINE (Ovid), EMBASE and Cochrane Central Register of Controlled Clinical Trials on October 12, 2021, retrieving a total of 1630 studies. 31 studies met the inclusion and exclusion criteria. These studies were separated into different styles of e-learning and learner outcomes were analyzed based on Kirkpatrick's hierarchy. Results: The studies were categorized into three styles of e-learning: a) blended learning b) online-only (asynchronous or synchronous) and c) use of handheld machines or telesonography. POCUS knowledge and image interpretation were successfully taught online, however online-only learning for image acquisition was not as consistently effective. Blended learning and telesonography were beneficial for learning image acquisition skills. Generally, novice learners benefited most from e-learning. Conclusion: E-learning for POCUS is gaining in popularity in recent years. POCUS is a complex technical skill, and depending on the individual task being taught, different styles of e-learning may be more successful. These findings can inform future POCUS educational 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 | 0,003 | 0,252 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».