MétaCan
Menu
← Retour à la cohorte
Enregistrement W2162281566

Current trends in the educational approach for teaching interviewing skills to medical students.

2008· article· en· W2162281566 sur OpenAlexaff
Reuben Baumal, Jochanan Benbassat

Notice bibliographique

RevuePubMed · 2008
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensSickKids FoundationHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésInterviewFacilitatorMedical educationTUTORExperiential learningMedicinePedagogyPsychology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Research in the acquisition of patient interviewing skills by medical students has dealt mostly with the evaluation of the effectiveness of various teaching programs and techniques. The educational approaches (i.e., the tutor-learner relationship and learning atmosphere) have rarely been discussed. These approaches may be grouped into: a) "teacher-centered" (didactic), in which the students are passive recipients of instruction; b) "learner-centered," in which the tutor functions as a facilitator of small group learning, whose task is not to teach but rather to ensure that all students participate in the discussions and share knowledge with other students; and c) "integrated learner-and teacher-centered" or "experiential learning," which consists of an ongoing dialogue between the tutor and the students. In this paper, we review the strengths and weaknesses of these educational approaches and attempt to identify the current trends in their use in the teaching of interviewing skills. It would appear that until the 1960s, medical students acquired interviewing skills without any expert guidance. On the other hand, since the 1970s, there has been a tendency to offer and upgrade undergraduate programs aimed at imparting communication skills to medical students. Initially, these programs were didactic; however, during the last decade, there has been an increasing shift to teaching interviewing skills by promoting experiential learning.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,029
score de la tête « metaresearch » (Gemma)0,035
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,155

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0290,035
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,007
Études des sciences et des technologies0,0020,006
Communication savante0,0050,006
Science ouverte0,0040,003
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,398
Écart entre enseignants0,342 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePubMed→Même sujetInnovations in Medical Education→Travaux en français237 207→