Développement et validation d’un outil d’évaluation de la compétence chirurgicale pour l’évidement cervical
Bibliographic record
Abstract
Objectifs : Développer et valider un outil servant à évaluer les compétences chirurgicales des résidents en Oto-rhino-laryngologie et chirurgie cervico-faciale (ORL-CCF) pour l’évidement cervical. Méthodes : Une revue systématique de la littérature a été réalisée afin de recenser les méthodes validées pour évaluer les compétences chirurgicales en ORL-CCF. Les procédures chirurgicales pour lesquelles elles ont été développées ont été répertoriées. La revue a permis d’identifier un déficit en outils d’évaluation spécifiques aux procédures oncologiques en ORL-CCF, incluant l’évidement cervical. Une méthode de Delphi modifiée a été utilisée afin de développer une liste d’étapes essentielles à la complétion d’un évidement cervical. Cette liste a été combinée à la grille générale du Objective Structured Assessment of Technical Skills (OSATS) pour développer un outil spécifique à l’évidement cervical. Cet outil a été validé en salle d’opération auprès de l’équipe d’oncologie ORL-CCF de l’Université de Montréal et de ses résidents. Résultats : Un total de vingt-neuf évaluations ont été complétées au cours de l’année académique 2016-2017. L’acceptabilité a été jugée élevée auprès des résidents et des chirurgiens d’ORL-CCF, avec pour seule disparité l’utilisation formative ou sommative de l’outil. Les études de validation ont démontré des scores significativement plus élevés chez les résidents séniors que chez les juniors, ainsi qu’une progression significative des scores au fil du temps (p<0,05). La tendance des scores sur la grille spécifique corrélait avec les résultats obtenus sur la grille générale précédemment validée (p<0,05). ii Conclusions : Le premier outil évaluant spécifiquement les compétences chirurgicales des résidents en ORL pour l’évidement cervical a été développé et validé.
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 | 0.204 | 0.361 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.005 |
| Bibliometrics | 0.008 | 0.004 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.003 | 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".