L’approche d’apprentissage dans un curriculum médical précliniquebasé sur l’apprentissage par problèmes
Notice bibliographique
Résumé
Contexte : Les étudiants approchent leur apprentissage d’une manière qui dépend de leur perception du contexte curriculaire. Or, la faculté de médecine et des sciences de la santé de l’université de Sherbrooke se soucie particulièrement de promouvoir un apprentissage en profondeur. But : Vérifier l’hypothèse que nos étudiants adoptent une approche d’apprentissage de plus en plus profonde au fur et à mesure qu’ils avancent dans le curriculum médical pré-clinique. Sujets et méthodes : 404 étudiants se portèrent volontaires. Leur approche d’apprentissage fut mesurée à l’aide du questionnaire R-SPQ-2F. Résultats : L’analyse factorielle en composantes principales confirme la structure en deux dimensions (profondeur, surface) du R-SPQ-2F. Les scores moyens de chacune des classes de 1e, 2e et 3e année quant à la dimension profondeur sont respectivement de 68, 65 et 66 %; pour la dimension surface, ces scores sont respectivement 41, 42 et 39 %. Aucune différence statistique n’est trouvée. Conclusions : Les étudiants en médecine à l’université de Sherbrooke privilégient l’approche d’apprentissage en profondeur : ils recourent de façon modérée à l’approche profonde; ils recourent de façon moins fréquente mais néanmoins significative à l’approche en surface. Ce profil ne change pas au fur et à mesure de l’avancée dans le curriculum préclinique. Ce profil est peut-être optimal ; il peut aussi résulter du « curriculum parallèle » ou encore de moyens d’évaluation qui solliciteraient moins que souhaité le recours à une approche d’apprentissage en profondeur.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».