Clinical Neuroscience Podcasts for Family Medicine, Internal Medicine, and Neurology Residents: A Needs Assessment Study (P1.312)
Notice bibliographique
Résumé
OBJECTIVE: The aim of the current study was to identify the preferred content and format of a proposed series of clinical neuroscience podcasts using a survey-based needs assessment of Family Medicine, Internal Medicine, and Neurology residents. BACKGROUND: Podcasts are a form of audio media that have increasingly been adopted to enhance medical education. Unanswered questions include whether podcasts could serve as an effective tool to fill knowledge gaps identified a priori by learners or which production features would make learners more likely to use the podcasts. METHODS: 77 Family Medicine, 19 Internal Medicine, and 14 Neurology residents completed surveys to determine which topics and production features they deemed to be most important. Responses were analyzed both quantitively (e.g. Likert scales rating production features) and quantitatively (e.g. using coding techniques to identify topics of interest on free-form responses). RESULTS: Among all the responders, 93% had listened to autio from the internet in the past year, 74% had listened to a podcast, and 64% had listened specifically to a medical education podcast. The top 3 podcast production features as rated on a 5 point Likert scale were: (mean, 95% confidence interval): credibility of podcast source material (4.24, 4.10-4.37); ability to navigate quickly to desired content/excerpts (4.19, 4.06-4.31), and; production and audio quality (4.09, 3.98-4.20). The most common content themes identified by Family Medicine residents were headache, multiple sclerosis, stroke, stroke rehabilitation, and degenerative disc disease. Internal Medicine residents most frequently identified stroke, peripheral neuropathy, neurological exam, CNS tumours, and stroke rehabilitation. Neurology residents most frequently identified stroke, mulitple sclerosis, epilepsy, management of raised intracranial pressure, and spasticity management. CONCLUSIONS: There was much interest in clinical neuroscience podcasts among residents in Family Medicine, Internal Medicine, and Neurology. We identified features and content that can be incorporated into our proposed podcasts to specifically address the needs of our potential audience.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».