Defining and Describing Medical Learning Communities: Results of a National Survey
Notice bibliographique
Résumé
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 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 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».