MétaCan
Menu
Retour à la cohorte
Enregistrement W2169364194 · doi:10.3109/0142159x.2013.773395

The role of ePortfolios in supporting continuing professional development in practice

2013· article· en· W2169364194 sur OpenAlexaffabout
Jennifer Gordon, Craig M. Campbell

Notice bibliographique

RevueMedical Teacher · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensRoyal College of Physicians and Surgeons of Canada
Organismes subventionnairesnon disponible
Mots-clésLifelong learningMedical educationContinuing professional developmentInteroperabilityContinuing medical educationSet (abstract data type)Professional developmentContinuing educationMedicineKnowledge managementPsychologyComputer sciencePedagogyWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

ePortfolios, based on models of reflective practice, are viewed as important tools in facilitating and supporting lifelong learning across the medical education continuum. MAINPORT, the ePortfolio designed by the Royal College of Physicians and Surgeons of Canada, supports the continuing professional development (CPD) and lifelong learning of specialist physicians practicing in Canada by providing tools to develop CPD plans, set and track progress of established learning goals, document and reflect on learning activities, and create the foundation for physicians to manage their learning. In this article, the authors summarize the key design principles of the Royal College's ePortfolio: learner-centered; interoperable; ease of access. The current core functionality as well as future planned functionality for MAINPORT are described under three domains: recording and reflecting on completed CPD activities; managing learning in practice; accessing learning resources and programs. The future MAINPORT will evolve to become a foundational tool to support the shift towards competency-based medical education across the continuum of medical education; from residency to retirement. MAINPORT will facilitate the ability of physicians to demonstrate their expertise over time and how their learning has enabled improvements to their practice in contributing to improved health outcomes for patients.

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)0,017
score de la tête « metaresearch » (Gemma)0,060
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,092

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,060
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,003
Communication savante0,0050,005
Science ouverte0,0020,006
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0100,004

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 Opus0,010
Tête enseignante GPT0,353
Écart entre enseignants0,343 · 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'étudeQualitatif
Domainenon disponible
GenreEmpirique

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

En bref

Citations42
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMedical TeacherMême sujetInnovations in Medical EducationTravaux en français237 207