Strategic planning in medical education: enhancing the learning environment for students in clinical settings
Notice bibliographique
Résumé
BACKGROUND: The 1999 Cambridge Conference was held in Northern Queensland, Australia, on the theme of clinical teaching and learning. It provided an opportunity for groups of academic medical educators to consider some of the challenges posed by recent changes to health care delivery and medical education across a number of countries. PURPOSE: This paper describes the issues raised by the practical challenges posed by the current environment and how they might be addressed in ways that could promote more effective learning in clinical settings. METHOD: A SWOT analysis is a tool that can help in forward planning by identifying the strengths, weaknesses, opportunities and threats presented by any situation. Our SWOT analysis was used to generate a list of items, from which we chose those most feasible and most likely to promote positive change. RESULTS: Twenty different issues were identified, with four of them chosen by consensus for further elaboration. The discussion gave rise to four main recommended strategies: ensuring that clinical teachers thoroughly understand the purpose and process of learning in clinical settings; equipping learners with 'survival skills'; making the best use of learning resources within different clinical environments and making judicious use of information technology to enhance learning efficiency. CONCLUSIONS: The four strategies were selected not only because of their inherent importance, but also because of their feasibility. Modest changes can motivate students to feel part of a clinical team and a 'community of practice' and enhance their capacity for self-regulated practice.
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 | 0,032 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».