MétaCan
Menu
Retour à la cohorte
Enregistrement W1973471086 · doi:10.1097/acm.0b013e3181bf5183

Defining and Describing Medical Learning Communities: Results of a National Survey

2009· article· en· W1973471086 sur OpenAlexaboutno aff
Kristi J. Ferguson, Ellen M. Wolter, Donald B. Yarbrough, Jan D. Carline, Edward Krupat

Notice bibliographique

RevueAcademic Medicine · 2009
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensnon disponible
Organismes subventionnairesDivision of Undergraduate EducationRoy J. and Lucille A. Carver College of Medicine, University of Iowa
Mots-clésMedical educationMEDLINEPsychologyData scienceMedicineComputer sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

PURPOSE: To investigate what is meant by learning community in medical education and to identify the most important features of current medical education learning communities. METHOD: After a literature review, the authors surveyed academic deans of all U.S. and Canadian medical schools and colleges (N=124) to identify those that had implemented a learning community. Those with student learning communities (N=18) answered a series of questions about the goals, structure, function, benefits, and challenges of their communities. RESULTS: The most common primary goals included fostering communication among students and faculty; promoting caring, trust, and teamwork; helping students establish academic support networks; and helping students establish social support networks. Most deans said that students remained in the same community for all four years of medical school and that communities were linked to specific faculty and/or peer advisors. For most schools, communities included students from many class years, and participation was mandatory. Curricular purposes included professionalism training, leadership development, and service learning. Almost all schools had social functions related to their communities, and most provided career planning, group mentoring, and personal counseling. CONCLUSIONS: Learning communities in medical education demonstrate diverse approaches to achieving the general goal of enhanced student learning. Medical school leaders considering learning communities should determine the goals they want to accomplish and be open to adopting different approaches based on local needs. Evaluation and effective monitoring of evolution are needed to determine the best approaches for different needs and to assess impact on students and faculty.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,044
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,069

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,044
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,113
Tête enseignante GPT0,401
Écart entre enseignants0,288 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations68
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademic MedicineMême sujetInnovations in Medical EducationTravaux en français237 207