Reconsidering “good teaching” across the continuum of medical education
Notice bibliographique
Résumé
There is no shortage of sustained inquiry into the nature and evaluation of teaching in medical education. For the most part, however, this growing and respectable body of inquiry has uncritically adopted a single model of effective teaching that is assumed to be appropriate across variations in context, learners, and teachers. This article presents five alternative views of "good teaching" and challenges the trend toward any single, dominant view of what constitutes good teaching. Based on 10 years of research, in five different countries, studying hundreds of educators in adult and higher education across a wide range of disciplines, contexts, and cultures, we have evidence of five different perspectives on good teaching: transmission, developmental, apprenticeship, nurturing, and social reform. Each perspective represents a philosophical orientation to knowledge, learning, and the role and responsibility of being an educator. A "snapshot" of each perspective is provided, including an example from continuing medical education (CME), a set of key beliefs, primary responsibilities, typical strategies, and common difficulties. Readers are encouraged to use the five perspectives as a means of identifying, articulating, and revisiting assumptions and beliefs they hold regarding their view of effective teaching. They are also encouraged to resist a "one-size-fits-all" approach to the investigation, improvement, or evaluation of teaching in CME.
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 | 0,015 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,019 |
| Communication savante | 0,008 | 0,016 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».