Expert learning in musculoskeletal ultrasound – an international observational study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To examine the effect of discovery learning on musculoskeletal ultrasound (MSUS) performance and to explore how expert learners engage in a collaborative learning environment.Experts in MSUS participated in a discovery learning session where they were divided into groups. Each participant had one attempt to solve the same MSUS case and could seek assistance from other group members or learning resources. The video-recorded sessions were analyzed using both quantitative and qualitative methods. Performance was assessed using the validated Objective Structured Assessment of Ultrasound Skills (OSAUS) tool (1-5 points per item), and an outcome score was calculated based on the number of correct MSUS images (0-4). Participants' comfort and perception of discovery learning were evaluated using a 5-point Likert scale questionnaire.28 MSUS experts from 13 different countries completed the study. The mean OSAUS score (standard deviation) was 3.96 (0.5), and the mean outcome score was 1.89 (0.9). Using Pearson's correlation coefficient, we found a significant correlation between the OSAUS score and the outcome score (0.72, p < .001). The qualitative analysis revealed that the experts used actions associated with adaptive expertise and that social hierarchy persisted in the collaborative learning environment. Finally, we found high comfort with and acceptance of the discovery learning approach.Discovery learning may be an effective teaching strategy for future advanced MSUS courses, including international Teach-the-Teachers courses. Since social hierarchy was present, a facilitator is necessary during collaborative training.
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.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle