Creating GridlockED: A Serious Game for Teaching About Multipatient Environments
Notice bibliographique
Résumé
<p>Problem: As patient volumes increase, it is becoming increasingly important to find novel ways to teach junior medical learners about the intricacies of managing multiple patients simultaneously and about working in a resource-limited environment.</p> <p>Approach: Serious games (i.e., games not intended purely for fun) are a teaching modality that have been gaining momentum as teaching tools in medical education. From May 2016 to August 2017, the authors designed and tested a serious game, called GridlockED, to provide a focused educational experience for medical trainees to learn about multipatient care and patient flow. The game allows as many as six people to play it at once. Gameplay relies on the players working collaboratively (as simulated members of a medical team) to triage, treat, and disposition "patients" in a manner that simulates true emergency department operations. After researching serious games, the authors developed the game through an iterative design process. Next, the game underwent preliminary peer review by experienced gamers and practicing clinicians, whose feedback the authors used to adjust the game. Attending physicians, nurses, and residents have tested GridlockED for usability, fidelity, acceptability, and applicability.</p> <p>Outcomes: On the basis of initial testing, clinicians suggest that this game will be useful and has fidelity for teaching patient-flow concepts.</p> <p>Next steps: Further play testing will be needed to fully examine learning opportunities for various populations of trainees and for various media. GridlockED may also serve as a model for developing other games to teach about processes in other environments or specialties.</p>
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».