MétaCan
Menu
Retour à la cohorte
Enregistrement W2346767157 · doi:10.1515/cercles-2016-0010

Putting the plain into pain language in English for Medical Purposes: Learner inquiry into patients’ online descriptive accounts

2016· article· en· W2346767157 sur OpenAlexaboutno aff
Anna Franca Plastina

Notice bibliographique

RevueLanguage Learning in Higher Education · 2016
Typearticle
Langueen
DomaineHealth Professions
ThématiqueInterpreting and Communication in Healthcare
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPlain languageDescriptive statisticsLiteracyPlain EnglishPsychologyHealth careMedical educationMedicinePedagogyLinguistics

Résumé

récupéré en direct d'OpenAlex

Abstract The need to teach medical students plain language for their future engagement in pain communication can no longer be underestimated. Pain education has traditionally neglected the teaching of pain language, yet patients’ descriptive accounts have been acknowledged as the standard in medical care. English for Medical Purposes (EMP) can make its contribution to tertiary pain education, especially at a time when the plain language paradigm is considered key for health literacy. This is not to say that teaching specialized language and plain language for specific purposes are mutually exclusive. Yet, developing EMP learners’ understanding of the use of authentic plain pain language is also crucial for their future professional practice. This study reports on a pedagogical experiment conducted with the aim of enhancing EMP learners’ understanding of the lexico-grammatical features of pain language in patients’ descriptive accounts and in the use of pain assessment tools. The experiment was framed by the Hallidayan lexico-grammatical model of pain. Following a data-driven learning approach, students compiled a small DIY corpus of accounts from online health support groups and exploited its direct use through corpus-based tasks. These were designed to facilitate learners’ understanding of the features of pain language and of patients’ use of pain descriptors related to those in the McGill Pain assessment tool currently employed in medical care. Learners further broadened their understanding of pain language in other contexts of use while taking notes to fulfil the designed tasks. These helped shed light on the pedagogical practice here proposed.

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)0,016
score de la tête « metaresearch » (Gemma)0,034
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: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,086

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,034
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,008
Communication savante0,0060,007
Science ouverte0,0010,005
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,418
Écart entre enseignants0,376 · 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

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLanguage Learning in Higher EducationMême sujetInterpreting and Communication in HealthcareTravaux en français237 207