Cause and Effect
Notice bibliographique
Résumé
BACKGROUND: Methods of integrating basic science with clinical knowledge are still debated in medical training. One possibility is increasing the spatial and temporal proximity of clinical content to basic science. An alternative model argues that teaching must purposefully expose relationships between the domains. The authors compared different methods of integrating basic science: causal explanations linking basic science to clinical features, presenting both domains separately but in proximity, and simply presenting clinical features METHOD: First-year undergraduate health professions students were randomized to four conditions: (1) science-causal explanations (SC), (2) basic science before clinical concepts (BC), (3) clinical concepts before basic science (CB), and (4) clinical features list only (FL). Based on assigned conditions, participants were given explanations for four disorders in neurology or rheumatology followed by a memory quiz and diagnostic test consisting of 12 cases which were repeated after one week. RESULTS: Ninety-four participants completed the study. No difference was found on memory test performance, but on the diagnostic test, a condition by time interaction was found (F[3,88] = 3.05, P < .03, ηp = 0.10). Although all groups had similar immediate performance, the SC group had a minimal decrease in performance on delayed testing; the CB and FL groups had the greatest decreases. CONCLUSIONS: These results suggest that creating proximity between basic science and clinical concepts may not guarantee cognitive integration. Although cause-and-effect explanations may not be possible for all domains, making explicit and specific connections between domains will likely facilitate the benefits of integration for learners.
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 | 0,001 | 0,096 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».