A scoping review of literature about 3D printing: knowledge, skills and attitude for simulation educators in healthcare
Notice bibliographique
Résumé
BACKGROUND: Three-Dimensional (3D) printing, also known as additive manufacturing (Linke, Additive manufacturing, explained, 2017), has rapidly emerged as a transformative tool in healthcare simulation. This scoping review investigates simulation educators' knowledge, skills, and attitudes (KSAs) about the impact of 3D printing and explores 3D printing's broader applications in healthcare simulation. By synthesizing existing literature, this study aims to identify trends, challenges, and opportunities for integrating 3D printing into simulation-based education. MAIN BODY: The review followed the PRISMA-ScR framework, employing a six-step approach. A comprehensive search was conducted across databases, including PubMed, Medline, ERIC, CINAHL, and Google Scholar, covering studies published between 2000 and 2023. Keywords related to 3D printing and simulation-based education were used. Inclusion criteria focused on peer-reviewed articles discussing 3D printing's role in KSAs for simulation educators and its applications in healthcare simulation. Articles were charted and analyzed thematically to identify trends, challenges, and outcomes. A total of 181 studies were included, spanning 36 countries and 113 journals. Most studies focused on medical education, with 73% utilizing 3D-printed models for direct teaching. Key themes identified included realism, skill development, cost-effectiveness, and teaching effectiveness. Challenges included model accuracy, training gaps for educators, and resource limitations. Study designs were predominantly descriptive, with a significant portion being single-site case reports. CONCLUSION: 3D printing has the potential to revolutionize simulation-based education by enhancing realism, accessibility, and skill development. However, gaps in educator training and methodological rigor must be addressed. Future research should focus on multi-institutional studies and long-term outcomes to maximize the impact of the technology.
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 | 0,021 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,030 | 0,027 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».