Analyse des impacts des technologies de l’information et de la communication sur l’enseignement et la pratique de la médecine
Notice bibliographique
Résumé
Contexte : L’incursion des technologies de l’information et de la communication (TIC) entraîne d’importants développements dans le domaine de la santé. Ces technologies ont des impacts variés sur la pratique professionnelle, l’expérience vécue par les patients, la gestion et l’organisation des systèmes de santé. Méthode : Cette revue de la littérature présente les principaux impacts et défis engendrés par les TIC sur l’éducation médicale et la pratique de la médecine. Résultats : Quatre défis ont été identifiés. Le premier défi est celui de mieux préparer les futurs médecins à l’évolution du comportement des patients qui sont de plus en plus “branchés”. Le deuxième défi, intimement lié au premier, est celui de sensibiliser les futurs praticiens aux nombreux avantages que comportent les TIC pour la qualité des interventions et des soins fournis aux patients mais également, à un niveau plus large, pour l’organisation du système des soins de santé. Amener les futurs médecins à faire usage des TIC pour s’informer, apprendre et se perfectionner constitue le troisième défi présenté. La compétence informationnelle est notamment mise de l’avant comme une habileté devant impérativement faire partie de la formation de tout médecin. La question du e-learning est également abordée puisque ce mode d’enseignement, encore trop peu répandu dans bon nombre de facultés de médecine, constitue l’avenir de la formation médicale initiale ou continue. Les bases de données, l’animation 3D, les simulateurs et les communautés virtuelles sont également évoqués. Changer les pratiques en pédagogie médicale constitue le quatrième et dernier défi relevé dans la littérature scientifique.
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 | 0,012 | 0,033 |
| 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 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».