Virtual Patients: ED-2 Band-Aid or Valuable Asset in the Learning Portfolio?
Notice bibliographique
Résumé
The challenge of planning a clinical clerkship curriculum is to create order from chaos. Fortunately, the Liaison Committee for Medical Education has thrown clerkship directors a lifeline by recognizing simulated learning experiences--including virtual patients--as equivalents to real-life clinical encounters for accreditation purposes. Although virtual patients offer a more consistent and learner-centered curriculum that provides greater practice opportunities and reduces the demand for busy clinical preceptors, going virtual does involve potential risks. Here, the authors discuss some of the pros and cons of virtual patients, especially the concerns that virtual learning experiences may not produce effective feedback and that learning may not transfer from the virtual to the clinical environment. To match teaching to different learning needs, the authors propose "adaptive feedback" whereby learners choose from three levels of feedback: seeing the correct diagnosis and patient outcomes, seeing an expert "trace," and/or meeting with their preceptor to discuss the case. Medical educators can facilitate automatic transfer of learning from the virtual to the clinical setting by making all aspects of the learning and retrieval environments as similar as possible and by integrating the virtual and clinical environments--thus sparing learners the burden of "forward reaching" transfer and providing an anchor for virtual learning experiences. Medical educators can promote intentional transfer of learning if they make the virtual learning environment both the place students practice their skills before clinical encounters and the place to which they return after clinical encounters to reflect on and improve their skills.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
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 ».