Does Medical Training Promote or Deter Self-Directed Learning? A Longitudinal Mixed-Methods Study
Notice bibliographique
Résumé
PURPOSE: The School of Medicine, University of Saskatchewan curriculum promotes self-direction as one of its learning philosophies. The authors sought to identify changes in self-directed learning (SDL) readiness during training. METHOD: Guglielmino's SDL Readiness Scale (SDLRS) was administered to five student cohorts (N = 375) at admission and the end of every year of training, 2006 to 2010. Scores were analyzed using repeated-measurement analysis. A focus group and interviews captured students' and instructors' perceptions of self-direction. RESULTS: Overall, the mean SDLRS score was 230.6; men (n = 168) 229.5; women (n = 197) 232.3, higher than in the average adult population. However, the authors were able to follow only 275 students through later years of medical education. There were no significant effects of gender, years of premedical training, and Medical College Admission Test scores on SDLRS scores. Older students were more self-directed. There was a significant drop in scores at the end of year one for each of the cohorts (P < .001), and no significant change to these SDLRS scores as students progressed through medical school. Students and faculty defined SDL narrowly and had similar perceptions of curricular factors affecting SDL. CONCLUSIONS: The initial scores indicate high self-direction. The drop in scores one year after admission, and the lack of change with increased training, show that the current educational interventions may require reexamination and alteration to ones that promote SDL. Comparison with schools using a different curricular approach may bring to light the impact of curriculum on SDL.
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 | 0,006 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».