Challenges to Learning Evidence-Based Medicine and Educational Approaches to Meet These Challenges
Notice bibliographique
Résumé
PURPOSE: Evidence-based medicine (EBM) is a fixture in many medical school curricula. Yet, little is known about the challenges medical students face in learning EBM or the educational approaches that medical schools use to overcome these challenges. METHOD: A qualitative multi-institutional case study was conducted between December 2013 and July 2014. On the basis of the Association of American Medical Colleges 2012 Medical School Graduation Questionnaire data, the authors selected 22 U.S. and Canadian Liaison Committee on Medical Education-accredited medical schools with graduates reporting confidence in their EBM skills. Participants were interviewed and asked to submit EBM curricular materials. Interviews were audio-recorded, transcribed, and analyzed using an inductive approach. RESULTS: Thirty-one EBM instructors (17 clinicians, 11 librarians, 2 educationalists, and 1 epidemiologist) were interviewed from 17 medical schools (13 in the United States, 4 in Canada). Four common EBM learning challenges were identified: suboptimal role models, students' lack of willingness to admit uncertainty, a lack of clinical context, and students' difficulty mastering EBM skills. Five educational approaches to these challenges that were common across the participating institutions were identified: integrating EBM with other courses and content, incorporating clinical content into EBM training, EBM faculty development, EBM whole-task exercises, and longitudinal integration of EBM. CONCLUSIONS: The identification of these four learner-centered EBM challenges expands on the literature on challenges in teaching and practicing EBM, and the identification of these five educational approaches provides medical educators with potential strategies to inform the design of EBM curricula.
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 | 0,012 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,000 | 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 ».