Compliance of Medical Students With Voluntary Use of Personal Data Assistants for Clerkship Assessments
Notice bibliographique
Résumé
BACKGROUND: For several years, final-year students at McMaster University have been required to complete 10 mini-CEX type assessments per rotation. A similar system was being introduced at Ottawa. PURPOSE: To facilitate data capture, we decided to introduce a personal data assistant (PDA)-based system and evaluate its impact. METHOD: A randomized trial was designed to compare the acceptability of PDA and printed evaluation forms. The trial failed because of clerks' unwillingness to use PDAs. A focus group was held and user surveys were administered, chiefly by e-mail, to explore students' preference for printed forms. RESULTS: Thirty percent of invited clerks (52/176) agreed to use a PDA; 6% (11; 21% of those agreeing) recorded one or more encounters; 2% (4) recorded at least the minimum number of evaluations required by their program. Most survey respondents expressed concerns related primarily to the relative inconvenience of PDAs compared to paper, a judgment reflecting the time required both to install required software and to become familiar with the software and data entry form, and to record information via the form. A minority were also concerned about assessors' willingness or ability to use PDA forms. CONCLUSION: Before asking students and clinical supervisors to use a PDA-based encounter-evaluation form in clerkship, planners should conduct a careful assessment of the advantages and disadvantages for students of the system they hope to implement. The prima facie greater convenience and efficiency of the PDA may actually be offset by workplace disincentives and inefficiencies in data recording, relative to the incentives and efficiencies associated with a system based on printed (paper) forms.
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 | 0,012 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».