Students' self‐explanations while solving unfamiliar cases: the role of biomedical knowledge
Notice bibliographique
Résumé
OBJECTIVE: General guidelines for teaching clinical reasoning have received much attention, despite a paucity of instructional approaches with demonstrated effectiveness. As suggested in a recent experimental study, self-explanation while solving clinical cases may be an effective strategy to foster reasoning in clinical clerks dealing with less familiar cases. However, the mechanisms that mediate this benefit have not been specifically investigated. The aim of this study was to explore the types of knowledge used by students when solving familiar and less familiar clinical cases with self-explanation. METHODS: In a previous study, 36 third-year medical students diagnosed familiar and less familiar clinical cases either by engaging in self-explanation or not. Based on an analysis of previously collected data, the present study compared the content of self-explanation protocols generated by seven randomly selected students while solving four familiar and four less familiar cases. In total, 56 verbal protocols (28 familiar and 28 less familiar) were segmented and coded using the following categories: paraphrases, biomedical inferences, clinical inferences, monitoring statements and errors. RESULTS: Students provided more self-explanation segments from less familiar cases (M = 275.29) than from familiar cases (M = 248.71, p = 0.046). They provided significantly more paraphrases (p = 0.001) and made more errors (p = 0.008). A significant interaction was found between familiarity and the type of inferences (biomedical versus clinical, p = 0.016). When self-explaining less familiar cases, students provided significantly more biomedical inferences than familiar cases. CONCLUSIONS: Lack of familiarity with a case seems to stimulate medical students to engage in more extensive thinking during self-explanation. Less familiar cases seem to activate students' biomedical knowledge, which in turn helps them to create new links between biomedical and clinical knowledge, and eventually construct a more coherent mental representation of diseases. This may clarify the previously found positive effect that self-explanation has on the diagnosis of unfamiliar cases.
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 | 0,001 | 0,059 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».