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
Abstract Introduction We recognized a need at our institution for a resource to facilitate self-learning of basic gastrointestinal (GI) histology and pathology. In particular, we sought to produce an aid for GI clinical fellows participating in GI pathology biopsy rounds and preparing for their exams. We also wanted to develop a self-learning tool for other off-service/clinical residents rotating through pathology and junior-level pathology residents (within their first 2 years of residency). An interactive, web-based learning module was determined to be an ideal type of educational tool. Methods The GI Biopsy Crash Course consists of two file folders, GI Path Module and GI Crash Quiz, contained in one module, as well as an Instructor's Guide. Students work through GI Path Module, which is the teaching module, first; they then take the GI Crash Quiz after completing the teaching module. The quiz consists of 10 questions. Approximately 1-2 hours are required to work through GI Path Module and GI Crash Quiz, with most of that time spent in the teaching module. Results We have implemented the GI Biopsy Crash Course with GI clinical fellows participating in GI pathology biopsy rounds and with junior-level pathology residents going through their initial GI pathology rotations. The performance of students completing the module, although not formally evaluated, has improved noticeably. Feedback from students who have used the module has been very positive. Discussion The level of material in the GI Biopsy Crash Course is mainly introductory. We hope to create additional, higher level modules that deal with more advanced topics in GI pathology in the future.
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 | 0,000 | 0,000 |
| 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) | 0,003 | 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 découle