EMT Simulation-Based Team Training: Converting TEAMS 3.0 to a Virtual Format
Notice bibliographique
Résumé
Background/Introduction: Effective disaster response requires standardized training of Emergency Medical Teams (EMTs). The TEAMS 3.0 training initiative, initially designed for in-person training, has been shown to significantly improve team efficacy. However, logistical challenges and the COVID-19 pandemic have prompted the need to develop and assess virtual training alternatives. Objectives: This study compares EMT trainee experiences in TEAMS 3.0 virtual and in-person programs using qualitative thematic analysis. Method/Description: Sixteen Canadian EMT volunteers participated in a condensed, one-day TEAMS 3.0 program. Sessions were held in-person (6 trainees, 4 trainers) and virtually (10 trainees, 6 trainers). Each session included four exercises with 30-minute debriefs, which were recorded and transcribed. Thematic analysis of transcripts was done in NVivo version 14. Results/Outcomes: Thematic analysis revealed key components of effective training in both formats. Access to EMT-specific SOPs and documentation templates were identified as being crucial for learning and exercise success. However, the virtual format negatively impacted communication and team connection during training activities. Conclusion: Both formats supported the development of team skills and sparked essential discussions for successful deployment. Despite challenges in virtual training, such as impaired communication and participant connection, converting TEAMS 3.0 to a virtual format is a viable method of EMT 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.
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 | 0,004 | 0,008 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 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 ».