TEAMergizers: Energizers for teamwork and communication skills practice and reflection for medical teams
Notice bibliographique
Résumé
WHAT WAS THE EDUCATIONAL CHALLENGE?: Electronic dance music festivals rely on ad hoc, interdisciplinary medical teams to manage emergencies. Since members often meet onsite for the first time, quickly building rapport and practicing teamwork/communication skills before the event is essential. WHAT WAS THE SOLUTION?: TEAMergizers-energizers to build group rapport and practice teamwork/communication skills-were introduced. TEAMergizers include debriefs to reflect on collaborative competencies. HOW WAS THE SOLUTION IMPLEMENTED?: Twenty-one TEAMergizers were piloted with event medical teams. Participants rated games on engagement and teamwork/communication skill elicitation. Results informed a TEAMergizer Manual with instructions, ratings, debrief guides, and mapping to teamwork/communication domains. WHAT LESSONS WERE LEARNED THAT ARE RELEVANT TO A WIDER GLOBAL AUDIENCE?: = 314): overall average 8.15/10, average ability to elicit teamwork/communication skills 7.27/10. Games with movement, large groups, a competitive win condition, higher noise levels, and less idea generation scored best. Games with a collaborative win condition, team-versus-team competition, and autonomy of participation extent were perceived best for eliciting teamwork/communication skills. WHAT ARE THE NEXT STEPS?: Next steps include sharing the TEAMergizer Manual with educators. Insights on game features that boost satisfaction and skill elicitation will help educators design teamwork-focused games.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,007 |
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 ».