Notice bibliographique
Résumé
The specialty of research in medical education began just over three decades ago with a small group of clinicians and educational researchers at the medical school in Buffalo, New York.Since that time it has expanded worldwide.This paper is a personal reflection on how this research has informed our understanding of learning, teaching, and assessment in medicine. Measuring progressIn medicine, indicators of scientific progress might be measured by objective indicators such as death from cardiovascular disease.In education such "hard" evidence may be lacking for several reasons.Firstly, paradoxically, real differences in educational strategies may not be reflected in outcomes, such as licensing examination performance, simply because students are highly motivated and are not blinded to the intervention, so will compensate for any defects in the curriculum.[1][2][3][4][5] Secondly, a curriculum is not like a drug, which can be given at standard doses, but instead contains many components, delivered with variable quality by different teachers.Finally, the time between learning and important outcomes may be so long that the effects of the curriculum are obscuredalthough not always.6 Summary pointsResearch in medical education has contributed substantially to understanding the learning processThe educational community is becoming aware of the importance of evidence in educational decision making Areas of major development include basic research on the nature of medical expertise, problem based learning, performance assessment, and continuing education and assessment of practising physicians
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,147 | 0,143 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,006 | 0,031 |
| Communication savante | 0,033 | 0,033 |
| Science ouverte | 0,004 | 0,018 |
| Intégrité de la recherche | 0,018 | 0,028 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».