Notice bibliographique
Résumé
Abstract Introduction The Liver Nodules Crash Course is a web-based module that facilitates self-learning of the pathology of liver nodules, including histology and diagnostic approach. It builds on previous work of similar modules, including our previously published GI Biopsy Crash Course and Liver Biopsy Crash Course. Methods The module features interactive elements to demonstrate the histological features of each liver nodule, as well as review questions integrated into the module. It is particularly unique in that it simulates looking at real histopathology slides and allows a medical trainee with minimal prior histopathology exposure to rapidly develop basic proficiency in liver nodules pathology—enough to function in liver pathology rounds. The module can be distributed to each learner or hosted on a learning management system. We expect that the performance of students completing the module will improve significantly, although this has not been formally evaluated yet. Results The overall response of learners who have completed this module has been overwhelmingly positive. Representative comments include: “I wish I had these a couple years ago… I wish there were more such modules on other topics,” and “These modules were really professional. The image quality is fantastic and the information is laid out very clearly. I learned some new things too.” Discussion The Liver Nodules Crash Course builds on our previous work in developing interactive self-learning modules for basic gastrointestinal and liver pathology. All of the modules in the series have been effective teaching tools for gastroenterology/hepatology fellows participating in pathology rounds, off-service residents rotating through pathology, and junior-level pathology residents.
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 | 0,000 |
| 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) | 0,006 | 0,002 |
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 ».