Preparing medical students for future learning using basic science instruction
Notice bibliographique
Résumé
OBJECTIVES: The construct of 'preparation for future learning' (PFL) is understood as the ability to learn new information from available resources, relate new learning to past experiences and demonstrate innovation and flexibility in problem solving. Preparation for future learning has been proposed as a key competence of adaptive expertise. There is a need for educators to ensure that opportunities are provided for students to develop PFL ability and that assessments accurately measure the development of this form of competence. The objective of this research was to compare the relative impacts of basic science instruction and clinically focused instruction on performance on a PFL assessment (PFLA). METHODS: This study employed a 'double transfer' design. Fifty-one pre-clerkship students were randomly assigned to either basic science instruction or clinically focused instruction to learn four categories of disease. After completing an initial assessment on the learned material, all participants received clinically focused instruction for four novel diseases and completed a PFLA. The data from the initial assessment and the PFLA were submitted to independent-sample t-tests. RESULTS: Mean ± standard deviation [SD] scores on the diagnostic cases in the initial assessment were similar for participants in the basic science (0.65 ± 0.11) and clinical learning (0.62 ± 0.11) conditions. The difference was not significant (t[42] = 0.90, p = 0.37, d = 0.27). Analysis of the diagnostic cases on the PFLA revealed significantly higher mean ± SD scores for participants in the basic science learning condition (0.72 ± 0.14) compared with those in the clinical learning condition (0.63 ± 0.15) (t[42] = 2.02, p = 0.05, d = 0.62). CONCLUSIONS: Our results show that the inclusion of basic science instruction enhanced the learning of novel related content. We discuss this finding within the broader context of research on basic science instruction, development of adaptive expertise and assessment in medical education.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».