Apprentissage par simulation en pédiatrie : l’exemple de l’arrêt cardiorespiratoire de l’enfant
Bibliographic record
Abstract
La simulation en santé s’est diffusée très rapidement en pédiatrie à partir des années 2000 aux États-Unis et au Canada, puis à partir des années 2010 en France. L’arrêt cardiorespiratoire (ACR) de l’enfant représente le meilleur exemple des bénéfices qui peuvent être apportés par la simulation. La simulation peut reproduire à l’infini cette situation exceptionnelle, offre un apprentissage sans risque pour le patient ni pour l’apprenant, permet de travailler ses aspects cognitifs, techniques et humains. La simulation est effectivement associée à un gain en connaissance et en compétence chez les apprenants et participe à l’amélioration du pronostic des patients. Afin de maximiser l’efficacité pédagogique de l’enseignement de la prise en charge de l’ACR de l’enfant, les responsables pédagogiques devraient sans cesse évaluer leurs programmes, privilégier des curriculums qui associent la simulation avec d’autres modalités d’apprentissage et avoir pour objectif une pédagogie de la maîtrise. Les mannequins haute fidélité, s’ils sont appréciés par les apprenants, restent pédagogiquement équivalents aux mannequins basse fidélité pour l’apprentissage de la prise en charge de l’ACR de l’enfant.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".