Twelve tips for using the Objective Structured Teaching Exercise for faculty development
Notice bibliographique
Résumé
BACKGROUND: The importance of faculty development to improve clinicians' teaching skills has been well articulated in the literature. There are few objective measures of the impact of faculty development on teaching skills. The objective structured teaching exercise (OSTE) is a faculty development tool that may meet this challenge. It also has great potential to be used in the development and enhancement of teaching skills. The OSTE consists of a simulated teaching scenario involving a standardized learner with objective and immediate feedback given to the teacher, and includes a pre-determined behaviourally based scale or checklist to assess teaching performance. AIM: There is little information in the literature on the practical aspects of how to develop and deliver an OSTE in a faculty development context. Based on our experience, we created a framework to guide the use of the OSTE for faculty development. METHODS: Twelve tips for using the OSTE for faculty development are outlined in this article. These include: clarifying the goal and target audience, identifying what teaching skills to focus on, developing the scenario and the assessment tool, choosing and training the standardized learner, holding a dry run, protecting the teacher, integrating the OSTE into one's own context and promoting buy-in, and evaluating the activity. CONCLUSIONS: The OSTE is a novel tool to enhance faculty development. We describe 12 key elements that are important for its successful development and delivery.
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 | 0,003 | 0,006 |
| 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) | 0,000 | 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 ».