Digital Literacy in the Medical Curriculum: A Course With Social Media Tools and Gamification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The profession of practicing medicine is based on communication, and as social media and other digital technologies play a major role in today's communication, digital literacy must be included in the medical curriculum. The value of social media has been demonstrated several times in medicine and health care, therefore it is time to prepare medical students for the conditions they will have to face when they graduate. OBJECTIVE: The aim of our study was to design a new e-learning-based curriculum and test it with medical students. METHOD: An elective course was designed to teach students how to use the Internet, with a special emphasis on social media. An e-learning platform was also made available and students could access material about using digital technologies on the online platforms they utilized the most. All students filled in online surveys before and after the course in order to provide feedback about the curriculum. RESULTS: Over a 3-year period, 932 students completed the course. The course did not increase the number of hours spent online but aimed at making that time more efficient and useful. Based on the responses of students, they found the information provided by the curriculum useful for their studies and future practices. CONCLUSIONS: A well-designed course, improved by constant evaluation-based feedback, can be suitable for preparing students for the massive use of the Internet, social media platforms, and digital technologies. New approaches must be applied in modern medical education in order to teach students new skills. Such curriculums that put emphasis on reaching students on the online channels they use in their studies and everyday lives introduce them to the world of empowered patients and prepare them to deal with the digital world.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle