Impact of a “Digital Health” Curriculum on Students’ Perception About Competence and Relevance of Digital Health Topics for Future Professional Challenges: Prospective Pilot Study
Notice bibliographique
Résumé
Background: The rapid integration of digital technologies in health care has emphasized the need to ensure that medical students are well-equipped with the knowledge and competencies related to digital health. Objective: This study aimed to evaluate the impact of the "Digital Health" curriculum at our university on the perceptions of medical students regarding the relevance of digital health topics for their future professions and their self-assessed competence in these areas. Methods: The "Digital Health" curriculum was introduced at a German university for 2 consecutive semesters. The perceived relevance of topics for their future careers and their subjective competence were evaluated before and after the curriculum using a Likert scale. Furthermore, the practical gamification-based teaching part of the robotics teaching unit was evaluated. In total, 6 months after completing the last semester, a follow-up analysis was performed with questions on the significance of the completed curriculum for current and future professional challenges regarding digital health and suggestions for improvement for innovative teaching. The study was meticulously planned and supported by an approved ethics vote of the local ethics committee to ensure that all ethical guidelines were adhered to (A 2022-0137). Results: A total of 20 students participated, with 13 (65%) being women. In particular, data protection and information security were considered the most relevant topics both before and after the curriculum. Significant increases in perceived importance were observed for messenger apps (mean increase of 0.8 [SD 1.2]; P<.01). Regarding self-assessed competence, significant development was observed on almost all topics. The greatest development was observed in robotics (mean increase of 1.8 [SD 1.2]; P<.001), open educational resources (mean increase of 1.7 [SD 1.5]; P<.001), and simulation-training (mean increase of 1.6 [SD 1.3]; P<.001). The gamification-based, robot-related teaching was predominantly rated suitable and very enjoyable for the students. Conclusions: The results highlight the potential to integrate more innovative teaching techniques, such as gamification, augmented reality, virtual reality, and simulation training, into a technologically advanced health care environment. Finally, the overarching importance of artificial intelligence and digital health applications signals the need to further integrate them, given their potential in remote and personalized medicine.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».