Feasibility and utilization of a national virtual <scp>EEG</scp> course for Canadian residents and fellows
Notice bibliographique
Résumé
OBJECTIVE: Electroencephalography (EEG) is an essential tool for the diagnosis and management of epilepsy. There is a gap in EEG education for residents in Canadian neurology programs as EEG is only listed in the training requirements as a procedural skill. There is currently no standardized EEG curriculum among Canadian epilepsy fellowship programs. METHODS: We conducted two iterations of a structured virtual EEG course from June to October 2021, and from March to June 2022. Trainees were recruited via Canadian neurology residency and epilepsy fellowship programs and were required to join the Canadian League Against Epilepsy (CLAE) as junior members. We obtained trainee demographic information before and after each course as well as analytical data on the video recordings posted on the CLAE website. RESULTS: A total of 77 trainees registered for the two courses; majority of trainees were adult neurology residents (34%) and adult epilepsy fellows (32%). Prior theoretical EEG teaching was reported as limited by more than half (53%) of participants. The average number of unique viewers per recorded video in 2021 was 29.7 interquartile range (16-35.5), while in 2022, the average was 22.5, interquartile range (16-28). Post-course questionnaire data revealed that 82% of participants strongly agreed that the course enhanced their knowledge. All participants were either likely (27%) or very likely (73%) to recommend the course to their peers. SIGNIFICANCE: National virtual EEG education is both feasible and accessible; therefore, this is a promising modality of teaching to meet the significant demand for high-quality EEG education among neurology trainees.
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 | 0,001 |
| 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) | 0,000 | 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 ».