MétaCan
Menu
Retour à la cohorte
Enregistrement W2104281189 · doi:10.1542/peds.2015-1314

Practical Framework for Fostering a Positive Learning Environment

2015· review· en· W2104281189 sur OpenAlexaffabout
Susan L. Bannister, Janice L. Hanson, Christopher G. Maloney, Robert A. Dudas

Notice bibliographique

RevuePEDIATRICS · 2015
Typereview
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMedicine

Résumé

récupéré en direct d'OpenAlex

The Council on Medical Student Education in Pediatrics continues the series about skills of, and strategies used by great clinical teachers. Great clinical teachers recognize that many things influence students’ learning, including what they teach, how they teach, and where they teach.1,2 “Where” refers to the learning environment. Although the term “environment” may conjure visions of trees, snow-capped mountains, and rain, the “learning environment” refers to the setting in which the curriculum exists. The learning environment includes the physical, social, and psychological context in which students learn and the overall atmosphere or culture pervading the setting where students and clinical teachers work and learn together.3,4 Although the learning environment of an institution is greatly influenced at the organizational level, this article will focus on elements under the control of individual teachers. We describe practical ways busy clinical teachers can foster a positive learning environment. A positive learning environment helps students succeed,5 affects their moral development,6 and models a humanistic approach to medicine.7 Recently, the Association of American Medical Colleges released a statement on the optimal learning environment.8 However, for decades, great clinical teachers have known that the learning environment affects ethical and personal development.9 Orienting students leads to improved preparedness for clinical work,10 and encouraging students to be active participants in the learning process leads to enhanced learning.11 In addition, the presence of exemplary role models enhances learning.12 Clinical teachers foster a positive learning environment in many practical ways (Table 1). In pediatrics, students worry about “breaking” a … Address correspondence to Susan L. Bannister, Department of Pediatrics, Faculty of Medicine, University of Calgary, 2888 Shaganappi Trail NW, Calgary, Alberta, Canada T3B 6A8. E-mail: susanl.bannister{at}albertahealthservices.ca

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,073

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,011
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0110,023
Communication savante0,0100,010
Science ouverte0,0050,019
Intégrité de la recherche0,0130,013
Charge utile insuffisante (le modèle a refusé de juger)0,0150,005

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 Opus0,144
Tête enseignante GPT0,468
Écart entre enseignants0,324 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations20
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePEDIATRICSMême sujetInnovations in Medical EducationTravaux en français237 207