Learning medical professionalism with the online concordance-of-judgment learning tool (CJLT): A pilot study
Notice bibliographique
Résumé
CONTEXT: Professionalism development entails learning to make judgments in ambiguous situations. A Concordance of Judgment Learning Tool (CJLT), comprised of 20 vignettes involving professionalism issues, was developed. Students obtained a measure of how concordant their judgments were with a panel of experts and learned from given explanations. METHOD: Twenty clinical vignettes implying professionalism issues were written including, for each, four possible courses of action. Expert panel, nominated by all clerkship students, was made up of attending physicians that best represented professionalism role models. Experts completed CJLT and gave explanations for their answers. All clerks were invited to answer each vignette, and then received automated expert feedback including explanations. RESULTS: Seventy-nine students sat for the activity. The optimized test included 20 cases and 54 questions (Cronbach's alpha coefficient of 0.64). Student - expert concordance scores ranged from 54 to 77 with a mean at 64.6 (standard deviation 5.1). Satisfaction survey results indicated high satisfaction and relevance of tool despite some pitfalls. Post-test focus group data revealed relevant experiential learning on professionalism issues. DISCUSSION: Students' scores and perceptions suggest pedagogic relevance of the CJLT in fostering professionalism development in clerkship. CJLT is user-friendly and shows promise as a situation experiential learning activity.
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 | 0,005 | 0,015 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».