Using POV Wearable Technology as a Tool in Virtual Teaching Sessions to Supplement Clinical Skills Training: a Medical Student Perspective
Notice bibliographique
Résumé
The COVID-19 pandemic has led to many undergraduate medical programs shifting their preclinical curricula online— reducing access to clinical skills sessions and ultimately causing gaps in students’ knowledge. This study sought to better understand the impact and role of virtual clinical skills training sessions, using point-of-view (POV) livestreaming wearable technology, in supplementing medical students’ learning. 38 University of Ottawa medical students were recruited to participate in a 1.5-hour virtual clinical teaching session. An abdominal physical examination was broadcasted through two views (chest-mounted smartphone, room overview). Participants completed pre- and post-event questionnaires on their overall impression, satisfaction/challenges, and platform efficacy compared to other learning modalities. Improvements were noted in participants’ perspectives towards event engagement (p=0.042, Cohen’s d=0.48), comparability to in-person encounters (p=<0.001, Cohen’s d=0.75), and confidence performing a physical exam (p=<0.001, Cohen’s d=1.35). Participants found events were relevant to curriculum objectives (4.55±0.69), engaging and interactive (4.50±0.65), and reported good visualization (4.61±0.59). All participants were interested in attending a subsequent event. Virtual clinical skill teaching sessions using POV technology were enjoyable and helpful in combating current COVID-related gaps in medical education, adding to the growing literature on the beneficial role of innovative virtual learning opportunities within the medical school curricula. Future research should look to evaluate the use of POV wearable technology in settings beyond the classroom.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».