Assessing healthcare simulation facilitation using a competency‐based tool derived from practice in low‐resource settings
Notice bibliographique
Résumé
INTRODUCTION: The worldwide expansion in healthcare simulation training includes accelerated uptake in low-resource settings. Until recently, no framework has specifically delineated the competencies underpinning effective facilitation practice in low-resource settings. We describe the development of the Facilitation Behavioural Assessment Tool for simulation facilitation training and report reliability in scoring facilitation performance. This tool was informed by healthcare simulation facilitation practice in low-resource settings. METHODS: The tool has 32 facilitation competencies, organised across three performance categories (techniques, artistry and values) and a three-point scale is used for scoring. Following a short, self-directed online training module, participants scored three videos that depicted facilitation performance at three levels. Videos were presented in a random order. Intraclass correlations and internal consistency with Cronbach's α were calculated. A random intercepts 3 × 3 linear mixed model assessed discrimination across the three levels of facilitation performance and the influence of previous facilitation on scoring. RESULTS: In total, 104 participants from 29 countries completed rater training and scored at least one video. The inter-rater reliability was 0.73 (95%CI 0.66-0.79) and 0.89 (95%CI 0.85-0.92) for the intraclass correlation coefficient 2 and intraclass correlation coefficient 2k, respectively. Cronbach's α was 0.84 (95%CI 0.79-0.89) for the positive video; 0.84 (95%CI 0.78-0.88) for the mixed video; and 0.91(95%CI 0.87-0.93) for the negative video. Previous simulation facilitation experience did not affect the ability to distinguish between the videos meaningfully, but novice facilitators scored facilitation behaviours higher for mixed and negative videos compared with participants with intermediate and high levels of experience. DISCUSSION: Our study shows that suitable reliability and internal consistency can be achieved when using the Facilitation Behavioural Assessment Tool. We recommend using the tool to support learning conversations for simulation faculty development in low-resource settings.
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 | 0,015 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».