AMEE Guide 32: e-Learning in medical education Part 1: Learning, teaching and assessment
Notice bibliographique
Résumé
In just a few years, e-learning has become part of the mainstream in medical education. While e-learning means many things to many people, at its heart it is concerned with the educational uses of technology. For the purposes of this guide, we consider the many ways that the information revolution has affected and remediated the practice of healthcare teaching and learning. Deploying new technologies usually introduces tensions, and e-learning is no exception. Some wish to use it merely to perform pre-existing activities more efficiently or faster. Others pursue new ways of thinking and working that the use of such technology affords them. Simultaneously, while education, not technology, is the prime goal (and for healthcare, better patient outcomes), we are also aware that we cannot always predict outcomes. Sometimes, we have to take risks, and 'see what happens.' Serendipity often adds to the excitement of teaching. It certainly adds to the excitement of learning. The use of technology in support of education is not, therefore, a causal or engineered set of practices; rather, it requires creativity and adaptability in response to the specific and changing contexts in which it is used. Medical Education, as with most fields, is grappling with these tensions; the AMEE Guide to e-Learning in Medical Education hopes to help the reader, whether novice or expert, navigate them. This Guide is presented both as an introduction to the novice, and as a resource to more experienced practitioners. It covers a wide range of topics, some in broad outline, and others in more detail. Each section is concluded with a brief 'Take Home Message' which serves as a short summary of the section. The Guide is divided into two parts. The first part introduces the basic concepts of e-learning, e-teaching, and e-assessment, and then focuses on the day-to-day issues of e-learning, looking both at theoretical concepts and practical implementation issues. The second part examines technical, management, social, design and other broader issues in e-learning, and it ends with a review of emerging forms and directions in e-learning in medical education.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,099 | 0,139 |
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 ».