Combining traditional laparoscopic box practice with video gaming: A randomized control trial
Notice bibliographique
Résumé
While there is consensus regarding a positive effect of video gaming on dexterity, little is known regarding how much traditional laparoscopic practice can or should be substituted with video gaming. This study was designed to assess the effects of varying the amount of traditional practice in a lap box trainer and video gaming on performance in two fundamentals of laparoscopic surgery (FLS) core tasks. Undergraduate and medical students were recruited and randomized into one of four groups: a control group, a lap box group, a video game group, and a combined group with 50% of the time allocated to each modality. Performance in the two FLS tasks was assessed both prior to and following the 6 training sessions. Peg transfer performance significantly improved in the lap box group (168.4 ± 70.6 s vs. 332.9 ± 178.2 s, p < 0.001), video game group (176.7 ± 53.3 s vs. 300.0 ± 101.2 s, p < 0.001) and combined group (214.2 ± 86.9 s vs. 406.8 ± 239.5 s, p = 0.002) after training. Similar improvements were also observed in precision cutting performance in the lap box group (413.1 ± 138.4 s vs. 614.3 ± 211.4 s, p = 0.002), video game group (434.1 ± 150.8 s vs. 609.2 ± 233.2 s, p = 0.007) and combined group (469.2 ± 185.3 s vs. 663.8 ± 296.3 s, p = 0.020). When analyzing improvements in performance across three different training groups compared with the control group, we found that both the laparoscopic box group ( p < 0.001) and the combined group ( p < 0.001) showed better improvement in both tasks, and the video game group had significantly better outcomes in the precision cutting task ( p = 0.003). Traditional lap box training remains the most effective method for improving the performance of simulated laparoscopic surgery. Video games can be encouraged to enhance skills retention and supplement simulated practice outside of a formal training 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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».