COVID-19 Pivoted Virtual Skills Teaching Model: Project ECHO Ontario Skin and Wound Care Boot Camp
Notice bibliographique
Résumé
OBJECTIVE: To describe a virtual, competency-based skin and wound care (SWC) skills training model. The ECHO (Extension for Community Healthcare Outcomes) Ontario SWC pivoted from an in-person boot camp to a virtual format because of the COVID-19 pandemic. METHODS: An outcome-based program evaluation was conducted. Participants first watched guided commentary and videos of experts performing in nine SWC multiskills videos, then practiced and video-recorded themselves performing those skills; these recordings were assessed by facilitators. Data were collected using pre-post surveys and rubric-based assessments. Descriptive statistics and thematic analysis were applied to data analysis. RESULTS: Fifty-five healthcare professionals participated in the virtual boot camp, measured by the submission of at least one video. A total of 216 videos were submitted and 215 assessment rubrics were completed. Twenty-nine participants completed the pre-boot camp survey (53% response rate) and 26 responded to the post-boot camp survey (47% response rate). The strengths of the boot camp included the applicability of virtual learning to clinical settings, boot camp supplies, tool kits, and teaching strategies. The analysis of survey responses indicated that average proficiency scores were greater than 80% for three videos, 50% to 70% for three of the videos, and less than 50% for three of the videos. Participants received lower scores in local wound care and hand washing points of contact. The barriers of the boot camp included technical issues, time, level of knowledge required at times, and lack of equipment and access to interprofessional teams. CONCLUSIONS: This virtual ECHO SWC model expanded access to practical skills acquisition. The professional development model presented here is generalizable to other healthcare domains.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».