MétaCan
Menu
Retour à la cohorte
Enregistrement W906880682 · doi:10.1097/sih.0000000000000095

An Equivalence Trial Comparing Instructor-Regulated With Directed Self-Regulated Mastery Learning of Advanced Cardiac Life Support Skills

2015· article· en· W906880682 sur OpenAlexaff
Luke Devine, Jeroen Donkers, Ryan Brydges, Vsevolod Perelman, Rodrigo B. Cavalcanti, S. Barry Issenberg

Notice bibliographique

RevueSimulation in Healthcare The Journal of the Society for Simulation in Healthcare · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueSimulation-Based Education in Healthcare
Établissements canadiensToronto Public HealthMount Sinai Hospital
Organismes subventionnairesnon disponible
Mots-clésDebriefingChecklistPsychological interventionAdvanced cardiac life supportMastery learningMedical educationIntervention (counseling)Test (biology)Randomized controlled trialPsychologyMedicineNursingMathematics educationCardiopulmonary resuscitationEmergency medicineInternal medicineResuscitation

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Instructor-led simulation-based mastery learning of advanced cardiac life support (ACLS) skills is an effective and focused approach to competency-based education. Directed self-regulated learning (DSRL) may be an effective and less resource-intensive way to teach ACLS skills. METHODS: Forty first-year internal medicine residents were randomized to either simulation-based DSRL or simulation-based instructor-regulated learning (IRL) of ACLS skills using a mastery learning model. Residents in each intervention completed pretest, posttest, and retention test of their performance in leading an ACLS response to a simulated scenario. Performance tests were assessed using a standardized checklist. Residents in the DSRL intervention were provided assessment instruments, a debriefing guide, and scenario-specific teaching points, and they were permitted to access relevant online resources. Residents in the IRL intervention had access to the same materials; however, the teaching and debriefing were instructor led. RESULTS: Skills of both the IRL and DSRL interventions showed significant improvement after the intervention, with an average improvement on the posttest of 21.7%. After controlling for pretest score, there was no difference between intervention arms on the posttest [F(1,37) = 0.02, P = 0.94] and retention tests [F(1,17) = 1.43, P = 0.25]. Cost savings were realized in the DSRL intervention after the fourth group (16 residents) had completed each intervention, with an ongoing savings of $80 per resident. CONCLUSIONS: Using a simulation-based mastery learning model, we observed equivalence in learning of ACLS skills for the DSRL and IRL conditions, whereas DSRL was more cost effective.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,007
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0010,002
Science ouverte0,0020,001
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0120,002

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,379
Écart entre enseignants0,330 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSimulation in Healthcare The Journal of the Society for Simulation in HealthcareMême sujetSimulation-Based Education in HealthcareTravaux en français237 207