MétaCan
Menu
Retour à la cohorte
Enregistrement W1993030505 · doi:10.3109/0142159x.2014.990878

How we made professionalism relevant to twenty-first century residents

2015· article· en· W1993030505 sur OpenAlexaff
Aditi Khandelwal, Peter Nugus, Mohamed A. Elkoushy, Richard L. Cruess, Sylvia R. Cruess, Mark Smilovitch, Sero Andonian

Notice bibliographique

RevueMedical Teacher · 2015
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésSocial mediaCurriculumMedical educationPsychologyValue (mathematics)MedicinePedagogyComputer science

Résumé

récupéré en direct d'OpenAlex

The complexity of the current medical trainee work environment, including the impact of social media participation, is underappreciated. Despite rapid adoption of social media by residents and the introduction of social media guidelines targeted at medical professionals, there is a paucity of data evaluating practical methods to incorporate social media into professionalism teaching curricula. We developed a flipped classroom program, focusing on the application of professionalism principles to challenging real-life scenarios including social media-related issues. The pre-workshop evaluation showed that the participants had a good understanding of basic professionalism concepts. A post-workshop survey assessed residents' comfort level with professionalism concepts. The post-workshop survey revealed that the postgraduate trainees perceived significant improvement in their understanding of professionalism (p < 0.05). Resident responses also exposed some challenges of real-life clinical settings. There was an apparent contradiction between placing a high value on personal health and believing that physicians ought to be available to patients at any time. Participants' satisfaction with the course bodes well for continual modification of such courses. Innovative flipped classroom format in combination with simulation-based sessions allows easy incorporation of contemporary professionalism issues surrounding social media.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,028
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,062

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,028
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0080,013
Communication savante0,0060,005
Science ouverte0,0010,008
Intégrité de la recherche0,0030,006
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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.

Tête enseignante Opus0,165
Tête enseignante GPT0,433
Écart entre enseignants0,268 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations30
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical TeacherMême sujetSocial Media in Health EducationTravaux en français237 207