Current Methods in Use for Assessing Clinical Competencies: What Works?
Notice bibliographique
Résumé
An online survey was used to capture qualitative descriptions of methods used by a veterinary college to assess clinical competencies in its students. Each college was specifically asked about use of the methods detailed in the Toolbox of Assessment Methods developed by the Accreditation Council for Graduate Medical Education and the American Board of Medical Specialties. Additionally, each college was asked to detail the methods used to ensure competency in each of the nine areas specified by the American Veterinary Medical Association Council on Education. Associate deans of academic affairs or their equivalents at veterinary colleges in the United States, the United Kingdom, Canada, and the Caribbean were contacted by e-mail and asked to complete the survey. Responses were obtained from 24 of 32 colleges. The methods most often used were review of students' medical records (16), checklist evaluation of must-learn skills (16), procedural logs (11), multiple-choice skill examinations (11), case simulations using role-playing (7), short-answer skill examinations (7), global rating of live or recorded performance (7), case simulations using computerized case simulations (7), 360-degree evaluation of clinical performance (4), and standardized patient or client examination (3). Additional methods used included medical record portfolio review, paper-and-pencil branching problems, chart-stimulated oral exams, externship mentor evaluation, performance rubrics for clinical rotations, direct observation and query on cases, video evaluation, case correlation tasks, and an employer survey. Non-realistic models were used more often for skill evaluation than realistic models. One college used virtual-reality models for testing.
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 | 0,005 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».