Do Medical Students’ Narrative Representations of “The Good Doctor” Change Over Time? Comparing Humanism Essays From a National Contest in 1999 and 2013
Notice bibliographique
Résumé
PURPOSE: To explore medical students' conceptions of "the good doctor" at two points in time separated by 14 years. METHOD: The authors conducted qualitative analysis of narrative-based essays. Following a constant comparative method, an emergent relational coding scheme was developed which the authors used to characterize 110 essays submitted to the Arnold P. Gold Foundation Humanism in Medicine Essay Contest in 1999 (n = 50) and 2013 (n = 60) in response to the prompt, "Who is the good doctor?" RESULTS: The authors identified five relational themes as guiding the day-to-day work and lives of physicians: doctor-patient, doctor-self, doctor-learner, doctor-colleague, and doctor-system/society/profession. The authors noted a highly similar distribution of primary and secondary relational themes for essays from 1999 and 2013. The majority of the essays emphasized the centrality of the doctor-patient relationship. Student essays focused little on teamwork, systems innovation, or technology use-all important developments in contemporary medicine. CONCLUSIONS: Medical students' narrative reflections are increasingly used as rich sources of information about the lived experience of medical education. The findings reported here suggest that medical students understand the "good doctor" as a relational being, with an enduring emphasis on the doctor-patient relationship. Medical education would benefit from including an emphasis on the relational aspects of medicine. Future research should focus on relational learning as a pedagogical approach that may support the formation of caring, effective physicians embedded in a complex array of relationships within clinical, community, and larger societal contexts.
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 | 0,003 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».