Putting the plain into pain language in English for Medical Purposes: Learner inquiry into patients’ online descriptive accounts
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 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.
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 | 0,004 | 0,013 |
| 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 | 0,001 | 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 découle