Multiple Mini Interviews: The McMaster Experience Thus Far
Notice bibliographique
Résumé
The major challenge for an undergraduate medical admissions committee is to select students with desirable non-cognitive qualities from a large pool of high-achieving applicants. The selection process needs to be comprehensive as accepting the wrong person into medical school can have serious consequences, especially for patients. Thus, medical schools have complemented their selection tools of cognitive performance with assessments of non-cognitive attributes considered important in future doctors. However, traditional admissions tools designed to measure non-cognitive attributes have been plagued by questionable reliability, poor predictive validity and tenuous test security. Interest in improving the medical school admissions processes led to the development of the Multiple Mini Interviews (MMI) at McMaster University. The MMI is a series of short, structured interviews designed to assess applicants' non-cognitive attributes. Since each candidate is assessed multiple times by various assessors in various contexts, the MMI greatly dilutes the issues of chance and examiner bias inherent in traditional assessment tools. Consistent with expectations, initial research on the MMI at McMaster showed that it has high reliability and validity, findings which were replicated in subsequent studies conducted at other universities. Further studies demonstrated the MMI's ability to predict non-cognitive performances in licensing examinations. Finally, the MMI was found to be a feasible and cost-effective method of interviewing compared to traditional types of interviews. Currently, the MMI is implemented in the majority of medical schools in Canada. As well, it has gained international recognition and has been used or is in plans for use in many other countries.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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) | 0,072 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».