MétaCan
Menu
Retour à la cohorte
Enregistrement W1813911582 · doi:10.34105/j.kmel.2011.03.001

Editorial: Advances in health education applying e-learning, simulations and distance technologies

2011· editorial· en· W1813911582 sur OpenAlexaff
André Kushniruk

Notice bibliographique

RevueKnowledge Management & E-Learning An International Journal · 2011
Typeeditorial
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésHealth informaticsHealth careInformaticsKnowledge managementHealth Administration InformaticsInformation technologyHealth professionalsEmerging technologiesComputer sciencePolitical scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This special issue of the KM&EL international journal is dedicated to coverage of novel advances in health professional education applying e-Learning, simulations and distance education technologies. Modern healthcare is beginning to be transformed through the emergence of new information technologies and rapid advances in health informatics. Advances such as electronic health record systems (EHRs), clinical decision support systems and other advanced information systems such as public health surveillance systems are rapidly being deployed worldwide. The education of health professionals such as medical, nursing and allied health professionals will require an improved understanding of these technologies and how they will transform their healthcare practice. However, currently there is a lack of integration of knowledge and skills related to such technology in health professional education. In this issue of the journal we present articles that describe a set of novel approaches to integrating essential health information technology into the education of health professionals, as well as the use of advanced information technologies and e-Learning approaches for improving health professional education. The approaches range from use of simulations to development of novel Web-based platforms for allowing students to interact with the technologies and healthcare practices that are rapidly changing healthcare.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Éditorial · Signal consensuel: Éditorial
Score de désaccord entre enseignants0,201
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,000
Études des sciences et des technologies0,0020,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,009
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,427
Écart entre enseignants0,407 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreÉditorial

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKnowledge Management & E-Learning An International JournalMême sujetElectronic Health Records SystemsTravaux en français237 207