Making the Mc<scp>MOST</scp> out of Milestones and Objectives: Reimagining Standard Setting Using the McMaster Milestones and Objectives Stratification Technique
Notice bibliographique
Résumé
BACKGROUND: As we enter the era of milestones and competency-based medical education (CBME), there is an increasing need to examine the procedures for stratifying objectives into levels of achievement. Most techniques used to date (e.g., Delphi surveys) involve some sort of consensus-based process, essentially crowd-sourcing wisdom of multiple educators to set anticipated milestones. In most graduate education settings, however, many simply use the judgment of one or two educators when setting educational objectives. Meanwhile, standard-setting procedures have been historically used in medical education for setting cut-points to determine levels of acceptable performance and do so in a more robust manner. OBJECTIVES: Inspired by these standard-setting procedures, the authors sought to develop a new way to stratify objectives into three relative levels of achievement (junior [ACGME level 1], intermediate [ACGME level 2-3], senior [ACGME level 4]). METHODS: The authors describe a novel, stepwise method that is composed of four steps. There are four steps to the McMOST procedure: 1) sorting objectives with a group of experienced teachers, 2) factor analysis to group preferences, 3) labeling components and reorganizing groupings, and 4) confirmation and final review by educational and content experts. RESULTS: Using McMOST method resulted in a change of placement for 15 of 34 (44%) of the milestones and improved agreement in two of three levels (intermediate from intraclass correlation of 0.56 to 0.80; senior from 0.69 to 0.79). CONCLUSIONS: The authors describe a novel protocol for stratifying objectives that may be useful to stratify and sort competencies into various levels of achievement (e.g., milestones) in this era of CBME.
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 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».