Problem-based learning in continuing medical education: review of randomized controlled trials.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: To investigate the effects of problem-based learning (PBL) in continuing medical education. DATA SOURCES: PubMed, MEDLINE, EMBASE, CINAHL, and ERIC databases were searched for randomized controlled trials published in English from January 2001 to May 2011 using key words problem-based learning, practice-based, self-directed, learner-centered, and active learning, combined with continuing medical education, continuing professional development, post professional, postgraduate, and adult learning. STUDY SELECTION: Randomized controlled trials that described the effects of PBL on knowledge enhancement, performance improvement, participants' satisfaction, or patients' health outcomes were selected for analysis. SYNTHESIS: Fifteen studies were included in this review: 4 involved postgraduate trainee doctors, 10 involved practising physicians, and 1 had both groups. Online learning was used in 7 studies. Among postgraduate trainees PBL showed no significant differences in knowledge gain compared with lectures or non-case-based learning. In continuing education, PBL showed no significant difference in knowledge gain when compared with other methods. Several studies did not provide an educational intervention for the control group. Physician performance improvement showed an upward trend in groups participating in PBL, but no significant differences were noted in health outcomes. CONCLUSION: Online PBL is a useful method of delivering continuing medical education. There is limited evidence that PBL in continuing education would enhance physicians' performance or improve health outcomes.
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.
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 | 0,132 | 0,229 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 découle