Team-Based Learning & Point of Care Ultrasound (POCUS) to Augment a Preclinical Cardiovascular Physiology Course
Notice bibliographique
Résumé
Introduction: There has been increasing interest in point of care ultrasound (POCUS) as a learning tool in preclinical medical anatomy and physiology courses. Few interventions have used team-based learning (TBL) to teach cardiac POCUS. This study investigates a novel TBL exercise designed to integrate cardiac anatomy, physiology, and cardiac POCUS education within a first-year cardiovascular (CV) course called Team-Based Learning – Ultrasound (TBL-US). Methods: The TBL-US exercise consisted of four phases: preparation, individual and team readiness assurance, image acquisition and application, and knowledge assessment. Six second-year students were trained to facilitate the session under physician supervision. Pre- and post-session knowledge assessments were administered to determine knowledge acquisition. Pre- and post-session surveys were administered to assess attitudes, beliefs, and confidence surrounding cardiac POCUS. Final exam scores were compared between participants and non-participants of TBL-US and stratified into high- and low-performing subgroups to account for pre-TBL baseline differences in ability between the groups. Results: A total of 54 first-year medical students completed TBL-US. Students showed significant improvement on the post-knowledge assessment compared to the pre-knowledge assessment (70.5% vs. 54.9% [p< 0.001]) and scored significantly higher on the final CV exam compared to non-participants (low-performing group: 85.92% vs. 81.02% [p=0.039], high-performing group: 89.22% vs. 85.95% [p=0.038]). Between 43.3-72.7% of students reported that TBL-US increased their understanding of CV anatomy, physiology, and cardiac POCUS. Discussion: Students found TBL-US to be a valuable teaching modality and improved student knowledge of CV anatomy, physiology, and cardiac POCUS. TBL-US effectively augments the learning of cardiac anatomy and physiology during the preclinical undergraduate medical curriculum.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».