Development and implementation of a longitudinal students as teachers program: participant satisfaction and implications for medical student teaching and learning
Notice bibliographique
Résumé
BACKGROUND: Teaching is a key component of medical practice, but medical students receive little formal training to develop their teaching skills. A longitudinal Students as Teachers (SAT) program was created at the University of Toronto to provide medical students with opportunities to acquire an understanding of educational pedagogy and practice teaching early in their medical training. This program was 7-months in duration and consisted of monthly educational modules, practical teaching sessions, feedback, and reflective exercises. METHODS: A mixed methods study design was used to evaluate initial outcomes of the SAT program by obtaining the perspectives of 18 second-year medical students. Participants filled out questionnaires at the beginning and end of the 7-month program to indicate their skill level and confidence in teaching. Differences between pre- and post-intervention scores were further explored in a group interview of 5 participants. RESULTS: Participants expressed a high degree of satisfaction with the SAT program structure and found the educational modules and practical teaching sessions to be particularly beneficial to their learning. Over the course of the program, there were significant increases in students' confidence in teaching, and self-perceived teaching capacity and communication skills. Furthermore, participants discussed improvements in their effectiveness as learners. CONCLUSIONS: Teaching is a skill that requires ongoing practice. Our results suggest that a longitudinal program consisting of theoretical modules, practical teaching sessions, feedback, and reflective exercises for medical students may improve teaching and communication skills, and equip them with improved learning strategies. This program also provides students with insight into the experience of teaching while holding other academic and clinical responsibilities.
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 | 0,017 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 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 ».