Virtual Surgical Shadowing for Undergraduate Medical Students: A Pilot Program
Notice bibliographique
Résumé
Background: Due to the COVID-19 pandemic, inperson physician shadowing has been restricted at many medical schools throughout Canada. We sought to address this gap by introducing a novel virtual shadowing experience to expose medical students to surgical specialties, and to assess possible improvements in the quality of delivering medical education. Methods: In compliance with the Health Insurance Portability and Accountability Act, two cameras were placed in an operating room to stream surgical procedures live to medical students. A survey was then distributed after the shadowing experience. Results: Ten medical students attended the 2.5-hour virtual surgical shadowing experience and nine provided feedback through a survey. The survey consisted of six Likert scale questions and two short-answer questions. Participants scored an average of 4.6±0.52 for the technology being conducive to their learning; 4.7±0.50 that the session met their learning objectives; and 4.8±0.44 regarding the knowledge and skills gained being useful for clerkship. Areas of improvement included improved camera quality (n=3) and the provision of case information prior to the sessions (n=4). Discussion: The virtual surgical shadowing program enabled students to effectively and reliably observe surgical procedures in real time, whilst engaging and communicating with the surgeons. Encouraging survey responses demonstrated the positive potential for future iterations of similar observerships in other surgical specialties, and as a means of improved medical education. Conclusion: Virtual surgical shadowing is a promising and innovative solution to limitations of in-person observerships, providing a secure and accessible way for medical students to explore surgical specialties.
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 | 0,000 |
| 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 ».