MétaCan
Menu
Retour à la cohorte
Enregistrement W2055264239 · doi:10.1309/ajcpqct94sferlni

Educating Medical Students in Laboratory Medicine

2010· article· en· W2055264239 sur OpenAlexaff
Brian R. Smith, Maria E. Aguero‐Rosenfeld, John Anastasi, Beverly W. Baron, Anders H. Berg, Jay L. Bock, Sheldon Campbell, Kendall P. Crookston, Robert L. Fitzgerald, Mark Fung, Richard L. Haspel, John Greg Howe, Jeffrey S. Jhang, Malek Kamoun, Susan M. Koethe, Matthew D. Krasowski, Marie L. Landry, Marisa B. Marques, Henry M. Rinder, William L. Roberts, William E. Schreiber, Steven L. Spitalnik, Christopher A. Tormey, Yan Wu

Notice bibliographique

RevueAmerican Journal of Clinical Pathology · 2010
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiology practices and education
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésCurriculumMedical educationMedical laboratoryMedicineAlternative medicineHealth careMedical schoolPsychologyPathologyPolitical sciencePedagogy

Résumé

récupéré en direct d'OpenAlex

As the 100th anniversary of the Flexner report nears, medical student education is being reviewed at many levels. One area of concern, expressed in recent reports from some national health care organizations, is the adequacy of training in the discipline of laboratory medicine (also termed clinical pathology). The Academy of Clinical Laboratory Physicians and Scientists appointed an ad hoc committee to review this topic and to develop a suggested curriculum, which was subsequently forwarded to the entire membership for review. The proposed medical student laboratory medicine curriculum defines goals and objectives for training, provides guidelines for instructional methods, and gives examples of how outcomes can be assessed. This curriculum is presented as a potentially helpful outline for use by medical school faculty and curriculum committees.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,022
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,022
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0030,002
Communication savante0,0060,003
Science ouverte0,0020,009
Intégrité de la recherche0,0040,005
Charge utile insuffisante (le modèle a refusé de juger)0,0110,009

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,512
Écart entre enseignants0,471 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations87
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of Clinical PathologyMême sujetRadiology practices and educationTravaux en français237 207