Assessing Clinical Faculty Understanding of Statistical Terms Used to Measure Treatment Effects and Their Application to Teaching
Notice bibliographique
Résumé
INTRODUCTION: Understanding of statistical terms used to measure treatment effect is important for evidence-informed medical teaching and practice. We explored knowledge of these terms among clinical faculty who instruct and mentor a continuum of medical learners to inform medical faculty learning needs. METHODS: This was a mixed methods study that used a questionnaire to measure a health professional's understanding of measures of treatment effect and a focus group to explore perspectives on learning, applying, and teaching these terms. We analyzed questionnaire data using descriptive statistics and focus group data using thematic analysis. RESULTS: We analyzed responses from clinical faculty who were physicians and completed all sections of the questionnaire (n = 137). Overall, approximately 55% were highly confident in their understanding of statistical terms; self-reported understanding was highest for number needed to treat (77%). Only 26% of respondents correctly responded to all comprehension questions; however, 80% correctly responded to at least one of these questions. There was a significant association among self-reported understanding and ability to correctly calculate terms. A focus group with clinical/medical faculty (n = 4) revealed themes of mentorship, support and resources, and beliefs about the value of statistical literacy. DISCUSSION: We found that half of clinical faculty members are highly confident in their understanding of relative and absolute terms. Despite the limitations of self-assessment data, our study provides some evidence that self-assessment can be reliable. Recognizing that faculty development is not mandatory for clinical faculty in many centers, and the notion that faculty may benefit from mentorship in critical appraisal topics, it may be appropriate to first engage and support influential clinical faculty rather than using a broad strategy to achieve universal statistical literacy. Second, senior leadership in medical education should support continuous learning by providing paid, protected time for faculty to incorporate evidence in their teaching.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,051 | 0,153 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».