Teaching child development to medical students
Notice bibliographique
Résumé
PURPOSE: Several published strategies on teaching the screening of normal child development were integrated into a small group learning experience for second-year medical students to address practical and logistical problems of approaches used individually. This study examines the effectiveness of this integrated approach using student evaluations. METHOD: A total of 191 second-year university medical and dental students were invited to participate. Well-described learning objectives, the Ages and Stages Questionnaire (ASQ), live parent-child dyads and video backup were used. Students rotated through three small group stations. Feedback was provided using a Likert scale (from 1, low, to 5, high) and written comments. Consent was obtained. Live parent-child dyads versus video clip groups were analysed by averaging overall scores. Generalised estimating equation (GEE) analysis in stata (Stata Corporation, College Station, Texas) was used for comparing the two groups. RESULTS: A total of 178 students (93%) agreed to participate and filled out the evaluation forms. The overall score on the Likert scale was 4.6 (range 4-5). On two occasions video clips were substituted for live parent-child dyad presentations in one of the three stations. These students (n=43, rating 4.61/5) rated their experience as comparable with those who had three live family stations (n=135, rating 4.56/5). Student comments were grouped into broad themes, with most being positive about their learning experience. CONCLUSIONS: This integrated approach is highly acceptable. Video clip usage, live dyads, clear written objectives and use of a standardised screening tool preserved the interaction and immediacy of a clinical encounter, while maintaining consistency in content.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».