Medical students’ reactions to an experience-based learning model of clinical education
Notice bibliographique
Résumé
An experience-based learning (ExBL) model proposes: Medical students learn in workplaces by 'supported participation'; affects are an important dimension of support; many learning outcomes are affective; supported participation influences students' professional identity development. The purpose of the study was to check how the model, which is the product of a series of earlier research studies, aligned with students' experiences, akin to the 'member checking' stage of a qualitative research project. In three group discussions, a researcher explained ExBL to 19 junior clinical students, who discussed how it corresponded with their experiences of clinical learning and were given a written précis of it to take away. One to 3 weeks later, they wrote 500-word reflective pieces relating to their subsequent experiences with ExBL. Four researchers conducted a qualitative analysis. Having found many instances of responses 'resonating' to the model, the authors systematically identified and coded respondents' 'resonances' to define how they aligned with their experiences. 120 resonances were identified. Seventy (58 %) were positive experiences and 50 (42 %) negative ones. Salient experiences were triggered by the learning environment in 115 instances (96 %) and by learners themselves in 5 instances (4 %), consistent with a strong effect of environment on learning processes. Affective support was apparent in 129 of 203 statements (64 %) of resonances and 118 learning outcomes (58 %) were also affective. ExBL aligns with medical students' experiences of clinical learning. Subject to further research, these findings suggest ExBL could be used to support the preparation of faculty and students for workplace learning.
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 | 0,002 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».