A reflective learning framework to evaluate CME effects on practice reflection
Notice bibliographique
Résumé
INTRODUCTION: The importance of reflective practice is recognized by the adoption of a reflective learning model in continuing medical education (CME), but little is known about how to evaluate reflective learning in CME. Reflective learning seldom is defined in terms of specific cognitive processes or observable performances. Competency-based evaluation rarely is used for evaluating CME effects. To bridge this gap, reflective learning was defined operationally in a reflective learning framework (RLF). The operationalization supports observations, documentation, and evaluation of reflective learning performances in CME, and in clinical practice. In this study, the RLF was refined and validated as physician performance was evaluated in a CME e-learning activity. METHODS: Qualitative multiple-case study wherein 473 practicing family physicians commented on research-based synopses after reading and rating them as an on-line CME learning activity. These comments formed 2029 cases from which cognitive tasks were extracted as defined by the RLF with the use of a thematic analysis. Frequencies of cognitive tasks were compared in a cross-case analysis. RESULTS: Four RLF cognitive processes and 12 tasks were supported. Reflective learning was defined as 4 interrelated cognitive processes: Interpretation, Validation, Generalization, and Change, which were specified by 3 observable cognitive tasks, respectively. These 12 tasks and related characteristics were described in an RLF codebook for future use. DISCUSSION: Reflective learning performances of family physicians were evaluated. The RLF and its codebook can be used for integrating reflective learning into CME curricula and for developing competency-based assessment. Future research on potential uses of the RLF should involve participation of CME stakeholders.
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 | 0,008 | 0,048 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 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 ».