The influence of medical students’ self‐explanations on diagnostic performance
Notice bibliographique
Résumé
CONTEXT: Skill in clinical reasoning is a highly valued attribute of doctors, but instructional approaches to foster medical students' clinical reasoning skills remain scarce. Self-explanation is an instructional procedure, the positive effects of which on learning have been demonstrated in a variety of domains, but which remain largely unexplored in medical education. OBJECTIVES: The purpose of this study was to investigate the effects of self-explanation on students' learning of clinical reasoning during clerkships and to examine whether these effects are affected by topic familiarity. METHODS: An experimental study with a training phase and an assessment phase was conducted with 36 Year 3 medical students, randomly assigned to one of two groups. In the training phase, students solved 12 clinical cases (four cases on a less familiar topic; four on a more familiar topic; four on filler topics), either generating self-explanations (n = 18) or not (n = 18). The self-explanations were generated after minimal instructions and no feedback was provided to students. One week later, in the assessment phase, students were requested to diagnose 12 different, more difficult cases, similarly distributed among the same more familiar topic, less familiar topic and filler topics, and their diagnostic performance was assessed. RESULTS: In the training phase the performance of the two groups did not differ. However, in the assessment phase 1 week later, a significant interaction was found between self-explanation and case topic familiarity (F(1,34) = 6.18, p < 0.05). Students in the self-explanation condition, compared with those in the control condition, demonstrated better diagnostic performance on subsequent clinical cases, but this effect emerged only for cases concerning the less familiar topic. CONCLUSIONS: The present study shows the beneficial influence of generating self-explanations when dealing with less familiar clinical contexts. Generating self-explanations without feedback resulted in better diagnostic performance than in the control group at 1 week after the intervention.
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 | 0,001 | 0,229 |
| 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) | 0,001 | 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 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 ».