Introducing global health into the undergraduate medical school curriculum using an e-learning program: a mixed method pilot study
Notice bibliographique
Résumé
BACKGROUND: Physicians need global health competencies to provide effective care to culturally and linguistically diverse patients. Medical schools are seeking innovative approaches to support global health learning. This pilot study evaluated e-learning versus peer-reviewed articles to improve conceptual knowledge of global health. METHODS: A mixed methods study using a randomized-controlled trial (RCT) and qualitative inquiry consisting of four post-intervention focus groups. Outcomes included pre/post knowledge quiz and self-assessment measures based on validated tools from a Global Health CanMEDS Competency Model. RCT results were analyzed using SPSS-21 and focus group transcripts coded using NVivo-9 and recoded using thematic analysis. RESULTS: One hundred and sixty-one pre-clerkship medical students from three Canadian medical schools participated in 2012-2013: 59 completed all elements of the RCT, 24 participated in the focus groups. Overall, comparing pre to post results, both groups showed a significant increase in the mean knowledge (quiz) scores and for 5/7 self-assessed competencies (p < 0.05). These quantitative data were triangulated with the focus groups findings that revealed knowledge acquisition with both approaches. There was no statistically significant difference between the two approaches. Participants highlighted their preference for e-learning to introduce new global health knowledge and as a repository of resources. They also mentioned personal interest in global health, online convenience and integration into the curriculum as incentives to complete the e-learning. Beta version e-learning barriers included content overload and technical difficulties. CONCLUSIONS: Both the e-learning and the peer reviewed PDF articles improved global health conceptual knowledge. Many students however, preferred e-learning given its interactive, multi-media approach, access to links and reference materials and its capacity to engage and re-engage over long periods of time.
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 | 0,014 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».