<i>JGME</i> -ALiEM Hot Topics in Medical Education: Analysis of a Multimodal Online Discussion About Team-Based Learning
Notice bibliographique
Résumé
BACKGROUND: Team-based learning (TBL) is an instructional method that is being increasingly incorporated in health professions education, although use in graduate medical education (GME) has been more limited. OBJECTIVE: To curate and describe themes that emerged from a virtual journal club discussion about TBL in GME, held across multiple digital platforms, while also evaluating the use of social media in online academic discussions. METHODS: article "Use of Team-Based Learning Pedagogy for Internal Medicine Ambulatory Resident Teaching." Using 4 stimulus questions (hosted on a blog as a starting framework), we facilitated discussions via the blog, Twitter, and Google Hangouts on Air platforms. We evaluated 2-week web analytics and performed a thematic analysis of the discussion. RESULTS: The virtual journal club reached a large international audience as exemplified by the blog page garnering 685 page views from 241 cities in 42 countries. Our thematic analysis identified 4 domains relevant to TBL in GME: (1) the benefits and barriers to TBL; (2) the design of teams; (3) the role of assessment and peer evaluation; and (4) crowdsourced TBL resources. CONCLUSIONS: The virtual journal club provided a novel forum across multiple social media platforms, engaging authors, content experts, and the health professions education community in a discussion about the importance, impediments to implementation, available resources, and logistics of adopting TBL in GME.
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 | 0,004 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».