Evaluation of an Electronic Platform for Problem Based Learning for Subspecialty Fellows
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Increasing demands on the time of trainees may warrant new self-directed, concise methods of problem based learning. To address these issues in urological oncology CBULP was designed to provide a concise electronic format that could be readily accessed when the fellow was rested and ready to learn. We evaluated the perceived usefulness of this program. METHODS: Subspecialists from 2 academic urology programs and an educational professional wrote 42 clinical scenarios about various renal and adrenal malignancies, and generated concise learning points. These cases were mailed to various urological oncology fellowships in the United States and Canada. An 18-question survey was delivered electronically 8 weeks later. Responses were recorded anonymously via survey software. RESULTS: Of 36 fellows 30 (83%) responded. Of the respondents 74% completed at least 5 cases and the majority completed more than 10. Of the respondents 93% thought that the cases had the appropriate amount of detail and covered core concepts related to renal/adrenal tumors. No respondent required more than 20 minutes to finish any case. Of the respondents 93% and 100% indicated that the cases effectively illustrated the basic principles of the disease process, and the fundamentals of evaluation and management, respectively. Overall 97% of respondents thought that CBULP could be an effective learning resource for fellows. CONCLUSIONS: An electronic case based method of learning appears to be a useful tool for subspecialty fellows. It may be a worthwhile self-directed supplement to traditional educational resources.
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.
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 | 0,028 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle