A Narrative Review and Novel Framework for Application of Team-Based Learning in Graduate Medical Education
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 Background Team-based learning (TBL) promotes problem solving and teamwork, and has been applied as an instructional method in undergraduate medical education with purported benefits. Although TBL curricula have been implemented for residents, no published systematic reviews or guidelines exist for the development and use of TBL in graduate medical education (GME). Objective To review TBL curricula in GME, identify gaps in the literature, and synthesize a framework to guide the development of TBL curricula at the GME level. Methods We searched PubMed, MEDLINE, and ERIC databases from 1990 to 2014 for relevant articles. References were reviewed to identify additional studies. The inclusion criteria were peer-reviewed publications in English that described TBL curriculum implementation in GME. Data were systematically abstracted and reviewed for consensus. Based on included publications, a 4-element framework—system, residents, significance, and scaffolding—was developed to serve as a step-wise guide to planning a TBL curriculum in GME. Results Nine publications describing 7 unique TBL curricula in residency met inclusion criteria. Outcomes included feasibility, satisfaction, clinical behavior, teamwork, and knowledge application. Conclusions TBL appears feasible in the GME environment, with learner reactions ranging from positive to neutral. Gaps in the literature occur within each of the 4 elements of the suggested framework, including: system, faculty preparation time and minimum length of effective TBL sessions; residents, impact of team heterogeneity and inconsistent attendance; significance, comparison to other instructional methods and outcomes measuring knowledge retention, knowledge application, and skill development; and scaffolding, factors that influence the completion of preparatory work.
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 | 0,010 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 découle