MétaCan
Menu
Retour à la cohorte
Enregistrement W2102210115 · doi:10.3109/0142159x.2013.770135

Feasibility of self-directed learning in clerkships

2013· article· en· W2102210115 sur OpenAlexaff
Martin G. Tolsgaard, Henrik Arendrup, Per Kent Pedersen, Charlotte Ringsted

Notice bibliographique

RevueMedical Teacher · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensUniversity Health NetworkThe Wilson Centre
Organismes subventionnairesnon disponible
Mots-clésPreceptorAutodidacticismMedical educationContext (archaeology)MedicineClinical clerkshipPsychologyPedagogyCurriculum

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Self-directed learning has been well described in preclinical settings. However, studies report conflicting results when self-directed initiatives are implemented in clinical clerkships. AIM: To explore the feasibility of self-directed learning stimulated by clinical encounter-cards (CECs) in clinical clerkships. METHODS: Two focus groups of year-four and year-five students were interviewed about the usefulness of CECs to their learning in clerkships. The CECs were then introduced in two cohorts of 248 year-four and 250 year-five medical students and evaluated on a nine-point scale with regard to usefulness and feasibility. RESULTS: The pilot groups reported that the CECs had positive effects in terms of engaging in diagnostic reasoning, reflection on management plans, and professional identity formation. However, the two large cohorts of students rated the usefulness of the CECs on learning in clerkship low (year-four: mean 2.92, SD 1.54; year-five: mean 2.28, SD 1.06) along with preceptor support (year-four: mean 2.68, SD 1.62; year-five: mean 2.59, SD 1.78, p = 0.34). CONCLUSION: Self-directed CECs can have a positive effect on participation and clinical reasoning but are highly dependent on the context of use. Self-directed learning initiatives that aim to increase participation in communities of practice may not be feasible without major faculty development initiatives.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,010
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,054
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0140,000

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,349
Écart entre enseignants0,313 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical TeacherMême sujetInnovations in Medical EducationTravaux en français237 207