Self‐explanation in learning clinical reasoning: the added value of examples and prompts
Notice bibliographique
Résumé
CONTEXT: Recent studies suggest that self-explanation (SE) while diagnosing cases fosters the development of clinical reasoning in medical students; however, the conditions that optimise the impact of SE remain unknown. The example-based learning framework justifies an exploration of students' use of their own SEs combined with the study of examples. This study aimed to assess the impact on medical students' diagnostic performance of: (i) combining students' SEs with their listening to examples of residents' SEs, and (ii) the addition of prompts (specific questions) while working with examples. METHODS: This study consisted of a training phase and an assessment phase conducted 1 week later. In the training phase, 54 Year 3 medical students were randomly assigned to one of three groups. In all groups, students first solved four clinical cases using SE. Subsequently, Group 1 listened to examples of residents' SEs with prompts; Group 2 listened to examples of residents' SEs without prompts, and the control group solved word puzzles. Then, all students again solved the same four cases. One week later, all students solved four similar and four different cases. Students' diagnostic performance and diagnostic accuracy scores were assessed for each case at each time-point. RESULTS: Although all groups' diagnostic accuracy scores on similar cases improved significantly between the training and the assessment phase, Group 1 showed a significantly higher diagnostic performance score after 1 week than the control group (p = 0.037). On different cases, Group 1 obtained significantly higher diagnostic accuracy (p = 0.011) and diagnostic performance (p < 0.001) scores than the control group and a significantly higher diagnostic performance score than Group 2 (p = 0.018). CONCLUSIONS: Self-explanation seems to be an effective technique to help medical students learn clinical reasoning. Its impact is increased significantly by combining it with examples of residents' SEs and prompts. Although students' exposure to examples of clinical reasoning is important, their 'active processing' of these examples appears to be critical to their learning from them.
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 | 0,255 |
| 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 | 0,000 |
| 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 ».