Hvilken effekt har hyppigere simuleringstrening for intensivsykepleiere på utvikling av ikke-tekniske ferdigheter? Nivå umiddelbart etter simuleringstrening, varighet og anvendelse av læring etter 6-12 uker
Bibliographic record
Abstract
Introduksjon: Kommunikasjon, ledelse, situasjonsbevissthet, ressursutnyttelse og problemløsning er viktige ikke-tekniske ferdigheter i teamet rundt intensivpasienten. Ferdighetene kan trenes opp gjennom simuleringstrening, og ulike studier har vist at det nytter. Gode team utgjør et sikkerhetsnett for å hindre uønskede hendelser. Det er lite forskning på feltet om overføring av kompetanse fra simuleringstrening til praksis.\n\nHensikt: Studiens formål var å undersøke effekten av hyppigere simuleringstrening for intensivsykepleiere på utvikling av ikke-tekniske ferdigheter. Hvilket nivå fikk de umiddelbart etter trening og etter 6-12 uker, og i hvilken grad ble de ikke-tekniske ferdighetene anvendt i praksis?\n\nMetode: Kvantitativ metode med et kvasieksperimentelt design ble benyttet. Totalt N=19 intensivsykepleierne ble inkludert i studien og fordelt til kontroll- og intervensjonsgruppe. Intervensjonen besto av en gjentagelse av simuleringstreningen med samme scenario. Datainnsamlingen foregikk på tre datasamlingspunkter, ved at respondentene besvarte spørreskjema som besto av The Mayo High Performance Teamwork Scale og OTTAWA Global Ranking Scale for CRM.\n\nResultater: Statistiske analyser på intervensjonsgruppens gjennomsnittsforskjell mellom første og andre simuleringstrening, viste en positiv tendens på tretten av femten variabler, hvorav signifikante funn ble gjort på tre av variablene på evaluering av teamet. Det ble ikke gjort signifikante funn på utvikling i nivå for hverken kontroll- eller intervensjonsgruppen etter 6-12 uker i praksis.\n\nKonklusjon: Funn av signifikante resultater i økt nivå på ikke-tekniske ferdigheter etter intervensjonen, vedvarte ikke i praksis. Konteksten kan ha hatt en påvirkning på kompetanseoverføringen. Ytterligere forskning på området krever økt utvalgsstørrelse og multisenterdesign, tverrprofesjonelt implementeringsarbeid og validerte spørreskjemaer for praksis.
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 | 0.004 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.064 | 0.009 |
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".