How are medical students trained to locate biomedical information to practice evidence-based medicine? a review of the 2007–2012 literature
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
OBJECTIVES: This study describes how information retrieval skills are taught in evidence-based medicine (EBM) at the undergraduate medical education (UGME) level. METHODS: The authors systematically searched MEDLINE, Scopus, Educational Resource Information Center, Web of Science, and Evidence-Based Medicine Reviews for English-language articles published between 2007 and 2012 describing information retrieval training to support EBM. Data on learning environment, frequency of training, learner characteristics, resources and information skills taught, teaching modalities, and instructor roles were compiled and analyzed. RESULTS: Twelve studies were identified for analysis. Studies were set in the United States (9), Australia (1), the Czech Republic (1), and Iran (1). Most trainings (7) featured multiple sessions with trainings offered to preclinical students (5) and clinical students (6). A single study described a longitudinal training experience. A variety of information resources were introduced, including PubMed, DynaMed, UpToDate, and AccessMedicine. The majority of the interventions (10) were classified as interactive teaching sessions in classroom settings. Librarians played major and collaborative roles with physicians in teaching and designing training. Unfortunately, few studies provided details of information skills activities or evaluations, making them difficult to evaluate and replicate. CONCLUSIONS: This study reviewed the literature and characterized how EBM search skills are taught in UGME. Details are provided on learning environment, frequency of training, level of learners, resources and skills trained, and instructor roles. IMPLICATIONS: The results suggest a number of steps that librarians can take to improve information skills training including using a longitudinal approach, integrating consumer health resources, and developing robust assessments.
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 | 0,042 | 0,357 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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