Multimodal Cluster Analysis of Medical Residents' Emotions During High‐Fidelity Harassment Bystander Simulation
Notice bibliographique
Résumé
ABSTRACT Background High fidelity simulations can be an effective tool for anti‐harassment education. While emotions have been identified as crucial in simulation‐based education, their role in anti‐harassment education within medical training remains underexplored. Objectives We aimed to investigate emotional profiles of medical residents during harassment bystander simulation training via hierarchical clustering based on multimodal emotions data. Methods Twenty seven internal medicine residents with complete data sets that were part of a larger study were recruited. Emotions were captured through self‐report surveys, an electronic bracelet that records electrodermal activity, and speech content analysis based on the residents' simulation debriefing. The study involved residents performing a simulated central line insertion while a simulated harassment took place that they could use to practice intervening in harassment. Results Our cluster analysis revealed three equal‐sized groups: ‘Emotionally Balanced, Minimal Arousal’, ‘Positive, Spiked Arousal’ and ‘Negative High Arousal’. The clusters had distinct levels of self‐report emotions and electrodermal activity. Content analysis revealed distinct emotions, and sources of emotions between the clusters. Post hoc analysis revealed that the ‘Emotionally Balanced, Minimal Arousal’ group showed a higher propensity for directly confronting the harasser, indicating a composed emotional state conducive to focusing on simulation objectives. Conclusions Our findings reveal the varied emotional profiles that can be expected in simulation‐based medical education and underscore the value of a multimodal approach to understanding these dynamics. Furthermore, the study highlights the criticality of recognising the sources of emotions and promoting effective emotion regulation strategies, especially in authentic learning environments where emotional responses are complex and impactful.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».