Assessing the Relationship of Learning Approaches to Workplace Climate in Clerkship and Residency
Notice bibliographique
Résumé
PURPOSE: To determine what approaches to learning are adopted by clinical clerks and residents and whether these approaches are associated with demographic factors, specialty, level of training, and perceptions of the workplace climate. METHOD: In 2001-02, medical clerks (n = 532) and residents (n = 2,939) at five medical schools in Ontario, Canada, were mailed the Workplace Learning Questionnaire. The correlation between the approaches to learning at work and perceived workplace climate and the influence of gender, age, location, residency program and level of training on outcomes were measured. RESULTS: A total of 1,642 clerks and residents responded (47%). The factor structure and reliability of the Workplace Learning Questionnaire were confirmed for these respondents. A surface-disorganized approach to learning was correlated with perception of heavy workload (r = .401, p < .001). The deep approach to learning was correlated with perception of choice-independence in the workplace and a supportive-receptive workplace (r = .32, p < .001; r = .23, p < .001). The climate factors, perception of choice-independence and supportive-receptive workplace, were correlated (r = .60, p < .001). There were significant differences among the mean scores for scales based on residency, year of training, and location of training. CONCLUSIONS: Perception of the workplace climate was associated with the approach to learning in the workplace of clerks and residents. Perception of heavy workload was associated with less effective approaches to learning. These associations varied with the residency program and the level of training.
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 | 0,003 | 0,013 |
| 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 | 0,001 |
| 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 ».