Remediation of Residents in Difficulty
Notice bibliographique
Résumé
PURPOSE: To determine, through a 10-year review, (1) the prevalence of residents in difficulty, (2) characteristics of these residents, (3) areas of residents' weakness, and (4) outcomes of residents who undergo remediation. METHOD: A retrospective review of resident records for the University of Toronto Faculty of Medicine's (UT-FOM) Board of Examiners for Postgraduate Programs (BOE-PG) was done from July 1, 1999 to June 30, 2009 using predetermined data elements entered into a standardized form and analyzed for trends and significance. Outcomes for residents in difficulty were tracked through university registration systems and licensure databases. RESULTS: During 10 years, 103 UT-FOM residents were referred to the BOE-PG, representing 3% of all residents enrolled. The annual prevalence of residents referred to the BOE-PG ranged from 0.2% to 1.5%. The CanMEDS framework was used to classify areas of residents' weaknesses and organize remediation plans. All 100 residents studied had either medical expertise (85%) or professionalism (15%) weaknesses or both. Residents had difficulties with an average of 2.6 CanMEDS Roles, with highest frequencies of Medical Expert (85%) Professional (51%), Communicator (49%), Manager (43%), and Collaborator (20%). Often, there were multiple remediation periods, with an average of six months' duration. Usually, remediation was successful; 78% completed residency education, 17% were unsuccessful, and 5% remained in training. CONCLUSION: Residents in difficulty have multiple areas of weakness. The CanMEDS framework is an effective approach to classifying problems and designing remediation plans. Successful completion of residency education after remediation is the most common outcome.
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 | 0,001 | 0,005 |
| 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 | 0,001 |
| 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 ».