Undergraduate Medical Students Using Facebook as a Peer-Mentoring Platform: A Mixed-Methods Study
Notice bibliographique
Résumé
BACKGROUND: Peer mentoring is a powerful pedagogical approach for supporting undergraduate medical students in their learning environment. However, it remains unclear what exactly peer mentoring is and whether and how undergraduate medical students use social media for peer-mentoring activities. OBJECTIVE: We aimed at describing and exploring the Facebook use of undergraduate medical students during their first 2 years at a German medical school. The data should help medical educators to effectively integrate social media in formal mentoring programs for medical students. METHODS: We developed a coding scheme for peer mentoring and conducted a mixed-methods study in order to explore Facebook groups of undergraduate medical students from a peer-mentoring perspective. RESULTS: All major peer-mentoring categories were identified in Facebook groups of medical students. The relevance of these Facebook groups was confirmed through triangulation with focus groups and descriptive statistics. Medical students made extensive use of Facebook and wrote a total of 11,853 posts and comments in the respective Facebook groups (n=2362 total group members). Posting peaks were identified at the beginning of semesters and before exam periods, reflecting the formal curriculum milestones. CONCLUSIONS: Peer mentoring is present in Facebook groups formed by undergraduate medical students who extensively use these groups to seek advice from peers on study-related issues and, in particular, exam preparation. These groups also seem to be effective in supporting responsive and large-scale peer-mentoring structures; formal mentoring programs might benefit from integrating social media into their activity portfolio.
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 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 | 0,015 | 0,056 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».