The quality of questions and use of resources in self-directed learning: Personal learning projects in the maintenance of certification
Notice bibliographique
Résumé
INTRODUCTION: To engage effectively and efficiently in self-directed learning and knowledge-seeking practices, it is important that physicians construct well-formulated questions; yet, little is known about the quality of good questions and their relationship to self-directed learning or to change in practice behavior. METHODS: Personal learning projects (PLPs) submitted to the Canadian Maintenance of Certification program were examined to include underlying characteristics, quality of therapeutic questions (population, intervention, comparator, outcome [PICO] mnemonic), and relationships between stage of change and level of evidence used to resolve questions. RESULTS: We assessed 1989 submissions (from 559 Fellows of the Royal College of Physicians and Surgeons of Canada [RCPSC]). The majority of submissions were by males (69.2%) aged 40-59 (59.4%) with an average of 24.3 (range 6-58, SD 11.1) years since graduation. The most frequent submissions were treatment (36.6%) and diagnosis (22.3%) questions. Half of all questions described > or =2 components (PICO), and only 3.7% of questions included all 4 components. Cross tabulations indicated only 1 significant trend for the use of narrative reviews and the outcome "integrating new knowledge' (P < .000). DISCUSSION: Self-directed learning skills comprise an important strategy for specialists maintaining or expanding their expertise in patient care, but an important obstacle to answering patient care questions is the ability to formulate good ones. Engagement in most major learning activities is stimulated by management of a single patient: formal accredited group learning events are of limited value in starting episodes of self-directed learning. Low levels of evidence used to address learning projects. Future research should determine how best to improve the quality of questions submitted and whether or not these changes result in increased efficiencies, more appropriate uses of evidence, and increased changes in practice behaviors.
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 | 0,058 | 0,231 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».