Current Trends in Developing Medical Students' Critical Thinking Abilities
Notice bibliographique
Résumé
Health care is fallible and prone to diagnostic and management errors. The major categories of diagnostic errors include: (1) no-fault errors--the disease is present but not detected; (2) system errors--a diagnosis is delayed or missed because of the imperfection in the health care system; and (3) cognitive errors--a misdiagnosis from faulty data collection or interpretation, flawed reasoning, or incomplete knowledge. Approximately one third of patient problems are mismanaged because of diagnostic errors. Part of the solution lies in improving the diagnostic skills and critical thinking abilities of physicians as they progress through medical school and residency training. However, this task is challenging since both medical problem-solving and the learning environments are complex and not easily understood. There are many interacting variables including the motivation of the medical student (e.g. deep versus surface learning), the acquisition and evolution of declarative and conditional knowledge (e.g. reduced, dispersed, elaborated, scheme, and scripted), problem-solving strategies (e.g. procedural knowledge-guessing, hypothetical deductive, scheme inductive, and pattern recognition), curricular models (e.g. apprenticeship, discipline-based, body system-based, case-based, clinical presentation-based), teaching strategies (e.g. teaching general to specific or specific to general), the presented learning opportunities (PBL versus scheme inductive PBL), and the nature of the learning environment (e.g. modeling critical thinking and expert problem-solving). This paper elaborates on how novices differ from experts and how novices can be educated in a manner that enhances their level of expertise and diagnostic abilities as they progress through several years of medical 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 | 0,019 | 0,179 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».