Evaluating facilitator adherence to a newly adopted simulation debriefing framework
Notice bibliographique
Résumé
Background: Post-simulation debriefing is a critical component of the learning process for simulation-based medical education, and multiple frameworks have been established in an attempt to maximize learning during debriefing through guided reflection. This study developed and applied a rubric to measure facilitator adherence to the newly adopted Promoting Excellence and Reflective Learning in Simulation (PEARLS) debriefing framework to evaluate the efficacy of current faculty development. Methods: A retrospective review of 187 videos using a structured 13-behavior rubric based on the PEARLS debriefing model was conducted of facilitator-learner debriefings following a simulated clinical encounter for medical students. The aggregate results were used to describe common patterns of debriefing and focus future faculty development efforts. Results: In total, 187 debriefings facilitated by 32 different facilitators were analyzed. Average scores for each of the 13 PEARLS framework behaviors ranged from 0.04 to 0.971. Seven items had an average of ≥ 0.77, ten averaged > 0.60 and two averaged < 0.20. Conclusions: Faculty adhered to some behaviors elicited by the PEARLS model more consistently than others. These results suggest that faculty facilitators are more likely to adhere to frameworks that focus on educational behaviors and less likely to adhere to organizational or methodological frameworks.
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 | 0,098 | 0,220 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».