Assessment in Medical Education; What Are We Trying to Achieve?
Notice bibliographique
Résumé
Within the arena of medical education, it is generally acknowledged that assessment drives learning. Assessment is one of the most significant influences on a student’s experience of higher education and improving assessment has a huge impact on the quality of learning (Liu, N. and Carless, D, 2006). Ideally we want to enhance student’s capacity for learning and engagement with the curriculum (ACGME Outcome Project, 2000). However, this doesn’t always happen as it is heavily dependent on the form of assessment used and whether or not timely comprehensive feedback is given. This paper focuses on the challenges associated with assessment in medical education and looks at the current trends. Well-designed formative assessment can focus students on effective learning and divert them away from summative assessment, which focuses attention on grades and reproductive thinking (Liu, N. and Carless, D, 2006). Whether one decides to utilise summative or formative assessment methods, both methods of assessment are useful when applied in the correct setting and at an appropriate stage of learning. It is apparent that assessment is the gatekeeper of higher learning and we need to embrace new methods of assessment in order to meet the challenges associated with ‘Generation Y’. Novel assessment methods such as self and peer assessment are growing in popularity. Students who participate in these forms of assessment may initially feel that it is challenging but worthwhile overall, as it helps to develop their critical thinking skills. Incorporating complimentary assessment components could benefit student’s learning without sacrificing the integrity of the curriculum.
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 | 0,110 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,009 | 0,031 |
| Communication savante | 0,031 | 0,044 |
| Science ouverte | 0,005 | 0,017 |
| Intégrité de la recherche | 0,017 | 0,032 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,005 |
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 ».