<i>JGME</i> -ALiEM Hot Topics in Medical Education Online Journal Club: An Analysis of a Virtual Discussion About Resident Teachers
Notice bibliographique
Résumé
BACKGROUND: In health professionals' education, senior learners play a key role in the teaching of junior colleagues. OBJECTIVE: We describe an online discussion about residents as teachers to highlight the topic and the online journal club medium. METHODS: In January 2015, the Journal of Graduate Medical Education (JGME) and the Academic Life in Emergency Medicine blog facilitated an open-access, online, weeklong journal club on the JGME article "What Makes a Great Resident Teacher? A Multicenter Survey of Medical Students Attending an Internal Medicine Conference." Social media platforms used to promote asynchronous discussions included a blog, a video discussion via Google Hangouts on Air, and Twitter. We performed a thematic analysis of the discussion. Web analytics were captured as a measure of impact. RESULTS: The blog post garnered 1324 page views from 372 cities in 42 countries. Twitter was used to endorse discussion points, while blog comments provided opinions or responded to an issue. The discussion focused on why resident feedback was devalued by medical students. Proposed explanations included feedback not being labeled as such, the process of giving delivery, the source of feedback, discrepancies with self-assessment, and threats to medical student self-image. The blog post resulted in a crowd-sourced repository of resident teacher resources. CONCLUSIONS: An online journal club provides a novel discussion forum across multiple social media platforms to engage authors, content experts, and the education community. Crowd-sourced analysis of the resident teacher role suggests that resident feedback to medical students is important, and barriers to student acceptance of feedback can be overcome.
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 | 0,007 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».