Residents’ use of mobile technologies: three challenges for graduate medical education
Notice bibliographique
Résumé
Introduction: The practice of medicine involves, among other things, managing ambiguity, interpreting context and making decisions in the face of uncertainty. These uncertainties, amplified for learners, can be negotiated in a variety of ways; however, the promise, efficiency and availability of mobile technologies and clinical decision supports make these tools an appealing way to manage ambiguity.Mobile technologies are becoming increasingly prevalent in medical education and in the practice of medicine. Because of this, we explored how the use of mobile technologies is influencing residents' experiences of graduate medical education. Methods: We conducted an 18-month qualitative investigation to explore this issue. Our research was conceptually and theoretically framed in sociomaterial studies of professional learning. Specifically, our methods included logging of technology use and related reflexive writing by residents (n=10), interviews with residents (n=12) and interviews with faculty (n=6). Results: We identified three challenges for graduate medical education related to mobile technology use: (1) efficiency versus critical thinking; (2) patient context versus evidence-based medicine and (3) home/work-life balance. Discussion: In this digital age, decontextualised knowledge is readily available. Our data indicate that rather than access to accurate knowledge, the more pressing challenge for medical educators is managing how, when and why learners choose to access that information.
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 | 0,011 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,005 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».