Advancing Open‐Access Education for the Surgical Team Worldwide: The Development and Rollout of the United Nations Global Surgery Learning Hub (SURGhub)
Notice bibliographique
Résumé
PROBLEM: Training and professional development programs for surgeons, anesthetists, obstetricians, and perioperative nurses in low-resource settings are often constrained by lack of access to appropriate training materials. Potential learners looking to access online content are faced with internet connectivity issues, difficulties in finding and accessing resources, resources that are inappropriate for their context and training, and opaque content quality control processes. APPROACH: The United Nations Global Surgery Learning Hub (SURGhub) was launched on June 28, 2023 to address this need. SURGhub curates high-quality surgical, anesthetic, obstetric, and perioperative nursing e-learning courses and makes them freely available on one integrated online platform, optimized for low-bandwidth settings. It is a product of the global surgery community, powered by over 200 volunteers and anchored in the United Nations. OUTCOMES: In little over 18 months since its launch, SURGhub has enrolled 11,451 registered learners from 190 countries. Fifty-five percent of users are based in low- or lower-middle income countries. Learners can access 76 interactive e-learning courses, provided by 20 different institutions. Median course user rating is 4.6/5. DISCUSSION: SURGhub is addressing the needs of underserved surgical learners through innovative, participatory technological solutions. To address the unmet need, SURGhub must expand its educational offering, including through the addition of new content types, personalized learning, and increased provision of content in languages other than English. The translation of SURGhub educational content into improvements in clinical practice and patient outcomes must be measured.
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 | 0,006 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 ».