Rich-Narrative Case Study for Online PBL in Medical Education
Notice bibliographique
Résumé
Case studies are the basis of a well-known medical education pedagogy called problem-based learning (PBL). Traditional case studies are paper based and contain brief medical facts about a patient's illness. The authors of this article argue for a rich-narrative PBL design, and they report on a pilot project that incorporated such a design. The term "rich narrative" in this article covers two attributes. The first is the development of case studies that are rich in narrative information (often called "thick narrative"). The second component of rich narrative is the presentation of these thick narrative case studies in a media-rich format-that is, video rather than the traditional paper-based cases. Rich-narrative case studies may provide a more robust context for learning than traditional case studies because the rich cases more accurately reflect the complex reality of patient presentation and interaction. They also may help to lay the foundation for the development of a more holistic and patient-centered awareness during the training of health professionals. The use of video as a case presentation tool adds to this robust depiction of the patient as a complete human being rather than a collection of written symptoms. The authors discuss the power of narrative in learning, the significance of rich-narrative in medical education, the steps they took to develop a video-based, rich-narrative case study for online PBL tutorials at Simon Fraser University, and the evaluation of their prototype used in 2008.
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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».