An Evaluation of the Design of Multimedia Patient Education Materials in Musculoskeletal Health Care: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Educational multimedia is a cost-effective and straightforward way to administer large-scale information interventions to patient populations in musculoskeletal health care. While an abundance of health research informs the content of these interventions, less guidance exists about optimizing their design. OBJECTIVE: This study aims to identify randomized controlled trials of patient populations with musculoskeletal conditions that used multimedia-based patient educational materials (PEMs) and examine how design was reported and impacted patients' knowledge and rehabilitation outcomes. Design was evaluated using principles from the cognitive theory of multimedia learning (CTML). METHODS: PubMed, CINAHL, PsycINFO, and Embase were searched from inception to September 2023 for studies examining adult patients with musculoskeletal conditions receiving multimedia PEMs compared to any other interventions. The primary outcome was knowledge retention measured via test scores. Secondary outcomes were any patient-reported measures. Retrievability was noted, and PEMs were sourced through search, purchase, and author communication. RESULTS: A total of 160 randomized controlled trials were eligible for inclusion: 13 (8.1%) included their educational materials and 31 (19.4%) required a web search, purchase, or direct requests for educational materials. Of these 44 (27.5%) studies, none fully optimized the design of their educational materials, particularly lacking in the CTML principles of coherence, redundancy, modality, and generative activities for the learner. Of the 160 studies, the remaining 116 (72.5%) contained interventions that could not be retrieved or appraised. Learning was evaluated in 5 (3.1%) studies. CONCLUSIONS: Musculoskeletal studies should use open science principles and provide their PEMs wherever possible. The link between providing multimedia PEMs and patient learning is largely unexamined, but engagement potential may be maximized when considering design principles such as the CTML.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,066 | 0,193 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,012 | 0,012 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».