Learning Activity Sequence, Simulation, and Productive Failure in Anti-Harassment Education
Notice bibliographique
Résumé
INTRODUCTION: Despite the high prevalence of harassment in health professions education, empirical investigations into effective anti-harassment interventions remain scarce. Our study examined the effectiveness of an innovative anti-harassment intervention that featured instructional videos and high-fidelity simulation training for medical residents. We drew from the knowledge-learning-instruction framework and the idea of productive failure to conceptualize our research questions and discussion. We examined how the sequence of educational activities may be linked to simulation performance and increases in knowledge levels. METHOD: Our pretest posttest study contacted all 88 eligible internal medicine residents, randomly assigning them to the intervention (n = 60) or equivalent training later (n = 28). Of those assigned to the intervention, 52 (86.6%) consented and were further randomized to a video-first or simulation-first group. We provided educational activities in different sequences accordingly. We assessed knowledge via a questionnaire, and simulation performance via a performance checklist. RESULTS: The video-first group demonstrated significantly better initial simulation performance compared with the simulation-first group, aligning with traditional learning sequential benefits. Both groups showed significant postintervention knowledge gains. Notably, the simulation-first group, despite starting with lower performance, ended with significantly higher knowledge levels than the video-first group, suggesting the efficacy of the productive failure approach in fostering deeper learning. CONCLUSIONS: The sequence of educational activities may impact the effectiveness of anti-harassment training. The video-first approach enhances immediate performance, while the simulation-first approach fosters better knowledge retention. Further research should investigate the long-term effects of such educational strategies and their applicability in diverse healthcare 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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».