The impact of driving versus undistracted listening on podcast knowledge acquisition and retention using a driving simulator: A randomized, cross-over trial
Notice bibliographique
Résumé
INTRODUCTION: Research on listening to podcasts while driving suggested no significant difference compared to undistracted listening. However, these studies were conducted in non-controlled driving environments, limiting the evaluation of the environment's impact. This study aimed to compare knowledge acquisition and retention among resident physicians and undergraduate students while listening to medical education podcasts in a controlled, simulator-based, driving environment versus an undistracted listening condition. METHODS: A randomized, crossover trial involved 19 residents and 22 undergraduate students from McMaster university and McMaster hospital. Participants listened to podcasts while driving in an immersive, high-fidelity motion simulator that mimics different driving environments: a high-distraction city environment and a low-distraction country environment. In the undistracted listening condition, participants listened to podcasts while being seated at a desk. Immediate and delayed recall tests after a month were administered, and data were analyzed using a 2x2 mixed ANOVA. RESULTS: There were no significant differences in knowledge acquisition (e.g., accuracy) between the undistracted, city driving, and country driving conditions (p > 0.05, η2 = 0.011). However, the country driving condition demonstrated slightly higher accuracy compared to the city driving condition in the immediate assessment condition (p < 0.05, η2 = 0.018). Medical expertise level (i.e., resident vs student) did not affect knowledge acquisition across different listening conditions (p > 0.05, η2 = 0.007). CONCLUSION: In a simulated environment, knowledge acquisition from a podcast is not compromised by the attention needed for driving a vehicle. The two distraction levels used in this experiment showed no significant interference with knowledge acquisition. This holds true regardless of participants' medical expertise. This study highlights the potential of incorporating podcasts into daily commuting to support ongoing education without requiring dedicated study time, enhancing both flexibility and efficiency in professional development.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».