MétaCan
Menu
Retour à la cohorte
Enregistrement W1900949867 · doi:10.1111/j.1365-2923.2012.04311.x

Should we teach using schemas? Evidence from a randomised trial

2012· article· en· W1900949867 sur OpenAlexaff
Sarah Blissett, Rodrigo B. Cavalcanti, Matthew Sibbald

Notice bibliographique

RevueMedical Education · 2012
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical Reasoning and Diagnostic Skills
Établissements canadiensToronto Western HospitalUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésSchema (genetic algorithms)Medical diagnosisMedical knowledgePsychologyDiagnostic accuracyMedicineMedical educationComputer scienceInternal medicineRadiologyMachine learning

Résumé

récupéré en direct d'OpenAlex

CONTEXT: Schema-based instruction may alter knowledge organisation and diagnostic reasoning strategies through the provision of structured knowledge to novice trainees. The effects of schema-based instruction on diagnostic accuracy and knowledge organisation have not been rigorously tested. METHODS: Year 2 medical students were randomised to learn four cardiac diagnoses using schema-based instruction (n = 26) or traditional instruction (n = 27) on a high-fidelity cardiopulmonary simulator (CPS). Students completed case-based learning in groups of two to five and underwent individual written and practical tests. The written test consisted of questions testing features that linked or distinguished diagnoses (structured knowledge) and questions testing features of individual diagnoses (factual knowledge). A practical test of diagnostic accuracy on the CPS was performed for two diagnoses present in the learning phase (taught lesions) and two untaught lesions. A majority of students (n = 37, 70%) voluntarily returned for follow-up written testing 2-4 weeks later. RESULTS: Learning time and accuracy did not differ between students on schema-based and those on traditional instruction. Students receiving schema-based instruction performed better on structured knowledge questions (p < 0.001) and no differently on factual knowledge questions (p = 0.7). Relative differences between groups remained unchanged on follow-up testing. Diagnostic success was higher in the schema-based instruction group for taught lesions (mean difference = 38%, 95% confidence interval [CI] 20-56; p < 0.001) and untaught lesions (mean difference = 31%, 95% CI 15-48; p < 0.001). CONCLUSIONS: Schema-based instruction was associated with improved retention of structured knowledge and diagnostic performance among novices. This study provides important proof-of-concept for a schema-based approach and suggests there is substantial benefit to using this approach with novice trainees.

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)0,001
score de la tête « metaresearch » (Gemma)0,333
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,643
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,333
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,123
Tête enseignante GPT0,460
Écart entre enseignants0,337 · 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'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

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

En bref

Citations39
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical EducationMême sujetClinical Reasoning and Diagnostic SkillsTravaux en français237 207