Interventions en supervision directe pour développerla compétence du résident : une recherche qualitative
Notice bibliographique
Résumé
Contexte : La littérature médicale sur la supervision directe a davantage exploré les contenus abordés en supervision que les stratégies utilisées par les superviseurs pour atteindre les objectifs pédagogiques. St-Arnaud a proposé un modèle intégré de stratégies pour développer la coopération en relation d’aide. Objectif : Cet article vise à tester le modèle de St-Arnaud en formation médicale et à identifier les stratégies de superviseurs experts en supervision directe pour maintenir une relation de coopération et faciliter les apprentissages professionnels de résidents en médecine de famille. Méthodes : Ces stratégies ont été identifiées à l’aide d’une recherche exploratoire qualitative basée sur une série d’études de cas. Trois superviseurs experts, reconnus par leurs pairs, ont été observés durant trois demi-journées de supervision avec trois résidents chacun. Le verbatim des entretiens a été codé et analysé par deux chercheurs selon le schéma d’analyse de St-Arnaud. Après chaque session, le superviseur et le résident ont été interviewés individuellement sur les stratégies du superviseur. Résultats : Quatre niveaux complémentaires d’intervention sont mis en évidence durant la supervision : 1. gestion du processus de supervision ; 2. résolution du problème à travers la compétence du résident ; 3. résolution du problème selon l’expertise du superviseur ; 4. démarche réflexive du résident. Diverses stratégies et procédés sont utilisés à chaque niveau d’intervention et aux différentes étapes de la supervision. Conclusion : Les niveaux d’intervention et les stratégies aident les superviseurs à favoriser la collaboration et les apprentissages du supervisé. L’identification de ces stratégies facilitera la formation des superviseurs.
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 | 0,007 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».