A critical approach to the development of blended medical communication training materials
Notice bibliographique
Résumé
Effective communication between doctors and patients improves patient health outcomes (Hewett et al. 2009; Stewart 1995; Watson et al. 2012), and communication skills courses have become an integrated component of the medical curriculum. However, language-discordant contexts are not fully provided for yet, since “[l]anguage support guides (such as the Calgary-Cambridge guides; Silverman et al. 2005) generally target native speakers rather than language learners, and typically mention the use of a second or foreign language as just one of many issues in cross-cultural communication without providing any solutions or prescriptions to address ensuing communication problems” (Gasiorek and Van de Poel 2012:372). In a South African professional healthcare context, communication challenges are manifold because of the number of languages and cultures involved and because of the diverse views on the nature of a medical encounter. South African public healthcare is further hampered by a lack of doctors (KZN Department of Health 2013). Given the need for tailored communication materials, a new vocational training course in Afrikaans as a second language was introduced for first-year medical students at one South African university applying a blended learning approach (i.e. restricted contact teaching and autonomous online learning). To facilitate the development and implementation process, the European project Medics on the Move (MoM) was adapted and adopted as a communication tool. This paper addresses principles and practices underlying the MoM materials as part of the process of adapting the vocational training concept to the specific South African context, needs and learners. The development process is presented as an integral part of a comprehensive needs analysis (Brown 1995), at the end of which new questions and needs are identified. The results corroborate that MoM-SA is a dynamic and effective teaching/learning tool which functions as a language support system that helps build skills for a multilingual professional environment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,062 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,008 |
| Communication savante | 0,014 | 0,010 |
| Science ouverte | 0,004 | 0,014 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».