Training factors that influence electrodiagnostic medicine knowledge
Notice bibliographique
Résumé
INTRODUCTION/AIMS: Self-assessment examinations (SAEs) help trainees assess their progress in education. SAEs also provide feedback to training programs as to how factors in training influence examination performance. This study's goal was to examine the relationship between the number of months of training in electrodiagnostic (EDx) medicine, the number of EDx studies during training, and scores on the American Association of Neuromuscular and Electrodiagnostic Medicine SAE. METHODS: This was a retrospective study of the 2023 AANEM-SAE results. In addition to the examination score, participants were asked approximately how many EDx studies they performed in training and how many months of training they had completed. Analysis included correlation of the examination scores with months of training as well as number of EDx studies. In addition, a multivariate linear regression model was developed. RESULTS: A total of 756 participants completed the proctored examination in May 2023. Examination score was moderately and positively correlated with the number of months of training (Pearson r = .5; p < .001) as well as the number of EDx studies during training (Pearson r = .55; p < .001). Scores steadily improved with additional months of training, but leveled off after 300-400 EDx studies. Regression analysis indicated that higher numbers of EDx studies were correlated with a higher examination score even after accounting for the number of months of study. DISCUSSION: We believe that a greater number of months of training is associated with better performance on the AANEM-SAE and that greatest improvement in examination performance occurs during the first 300-400 EDx studies.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 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 ».