Both preparing to teach and teaching positively impact learning outcomes for peer teachers
Notice bibliographique
Résumé
BACKGROUND: We sought to evaluate the independent effects of preparing to teach and teaching on peer teacher learning outcomes. AIM: To evaluate the independent contributions of both preparing to teach and teaching to the learning of peer teachers in medical education. METHOD: In total, 17 third-year medical students prepared to teach second-year students Advanced Cardiac Life Support algorithms and electrocardiogram (ECG) interpretation. Immediately prior to teaching they were randomly allocated to not teach, to teach algorithms, or to teach ECG. Peer teachers were tested on both topics prior to preparation, immediately after teaching and 60 days later. RESULTS: Compared to baseline, peer teachers' mean examination scores (±SD) demonstrated the greatest gains for content areas they prepared for and then taught (43.0% (13.9) vs. 66.3% (8.8), p < 0.001, d = 2.1), with gains persisting to 60 days (45.1% (13.9) vs. 61.8% (13.9), p < 0.01, d = 1.3). For content they prepared to teach but did not teach, less dramatic gains were evident (43.6% (8.3) vs. 54.7% (9.4), p < 0.001, d = 1.3), but did persist for 60 days (42.6% (8.1) vs. 53.2% (14.5), p < 0.05, d = 1.3). Increase in test scores attributable to the act of teaching were greater than those for preparation (23.3% (10.9) vs. 8% (9.6), p < 0.001, d = 1.6), but the difference was not significant 60 days later (16.7% (14.4) vs. 10.2% (16.9), p = 0.4). CONCLUSION: Our results suggest preparing to teach and actively teaching may have independent positive effects on peer teacher learning outcomes.
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 | 0,004 | 0,019 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».