Cook, D. A., Hamstra, S. J., Brydges, R., Zendejas, B., Szostek, J. H., Wang, A. T., Erwin, P. J., & Hatala, R. (2013). Comparative effectiveness of instructional design features in simulation-based education: A systematic review and meta-analysis. Medical Teacher, 35(1), e867–e898. https://doi.org/10.3109/0142159x.2012.714886
Resumen del artículo
Este metaanálisis del grupo de Mayo Clinic se propuso identificar qué características del diseño instruccional explican la efectividad de la simulación en educación de profesiones de la salud. A diferencia de comparar simulación contra no intervención, aquí los autores compararon variantes de simulación entre sí, a partir de los estudios comparativos que ya habían reunido en su revisión de 2011, y calcularon diferencias de medias estandarizadas (DME) para cada rasgo de diseño.
Los resultados señalan que las características con mayor efecto son el rango de dificultad progresiva y la práctica repetida (DME 0.68 cada una), seguidas de la práctica distribuida en el tiempo (0.66), la interactividad (0.65), el uso de estrategias múltiples de aprendizaje (0.62), el aprendizaje individualizado (0.52) y la retroalimentación (0.44). El trabajo funciona como una tabla de referencia para justificar cada decisión al diseñar un escenario simulado, y muestra que la organización de la práctica pesa más que los detalles técnicos del simulador.
Ideas clave
- Dificultad progresiva: escalar la complejidad de los escenarios es el rasgo con mayor tamaño de efecto, a la par de la repetición.
- Práctica repetida y distribuida: exponer al aprendiz varias veces al escenario, y espaciar esas exposiciones, aporta más que una sesión intensiva única.
- Individualización y retroalimentación: adaptar el ritmo a cada aprendiz y dar retroalimentación tienen efectos moderados, menores que la repetición, pero consistentes.
- Interactividad y estrategias múltiples: combinar modalidades de aprendizaje y mantener al participante activo en el escenario mejora los resultados.
Citas textuales relevantes
Nota metodológica: esta nota se elaboró a partir del resumen del artículo y de la descripción de la guía maestra (tamaños de efecto por característica de diseño). No se dispone del PDF en la carpeta de referencias; ya se redactó el correo al autor para solicitarlo. Hasta contar con el texto completo no se deben usar citas literales ni números de página; los valores de DME provienen del abstract y deben verificarse en las tablas del artículo.
Conexión con la tesis de Sandra
Los autores aportan la evidencia cuantitativa de qué rasgos de diseño importan en simulación. La lectura propia para la tesis convierte esa tabla en la arquitectura del Cap 3: la simulación clínica virtual adaptativa mediada por IA debe ofrecer escenarios de CEC con dificultad creciente (desde una falla de bomba simple hasta una emergencia hemodinámica combinada), permitir repetirlos, distribuir el acceso a lo largo de un mes en lugar de una única sesión, y ajustar el nivel a cada perfusionista, que es justamente lo que la adaptatividad con IA promete. Con ello, la intervención cumple al menos cinco de las siete características con mayor efecto, y ese argumento (que es de Sandra, no de Cook et al.) da sustento teórico en el Cap 2 a la elección de una intervención distribuida frente a un taller puntual. Se conecta con n-6-6 (práctica deliberada), n-6-5 (aprendizaje de maestría del mismo grupo) y con n-5-6 (regulación adaptativa de la carga de trabajo).
Preguntas orientadoras
- ¿Cuántos escenarios de CEC y cuántos niveles de dificultad tendrá la simulación virtual, y cómo se documentará en el Cap 3 que cada nivel corresponde a la “dificultad progresiva” de Cook et al.?
- Si el acceso a la plataforma dura un mes, ¿cómo se registrará la práctica distribuida (número de sesiones, intervalo entre sesiones) para usarla como variable en el análisis con n = 150?
- ¿La adaptación por IA de la dificultad se considerará “aprendizaje individualizado” según esta taxonomía, y cómo se medirá que realmente ocurrió?
- ¿Qué relación esperas entre la práctica repetida y la carga de trabajo medida con NASA-TLX: reducción con la repetición o aumento con la dificultad?
Conexiones
- Subárea: Diseño instruccional debriefing
- Notas relacionadas: n-6-4, n-6-5, n-6-6, n-5-6
- Autores: Cook, Hamstra, Brydges, Zendejas, Szostek, Wang, Erwin, Hatala
Mi reflexión
Graba tu reflexión de voz o escríbela usando los controles que aparecen abajo.