CORE UNDERGRADUATE OPTOMETRY COMPETENCIES: WHAT DO STUDENTS NEED TO KNOW?
Notice bibliographique
Résumé
Objective: The purpose of this study was to define the core competenciesto include in an undergraduate optometry placement program. Methods: We selected a participatory 12-month action-research project approach to define a set of core competencies to drive the learning process during optometryplacements. Four stages were scheduled; 1) literature review(focus group to define a list of competencies); 2) assessment by university optometry staff(one wave Delphi survey); 3) assessment by external stakeholders, [final year students(n=25), optometrists in practice (n=20) and members of The College of Optometrists Board (n=9)] prior to the development of placements (Likert scale, on-line questionnaire); 4) placement development and analysis including students’ logbook reviews by the research team andstudents’ and placement supervisors’ feedback. Results: 72 core competencies classified into 8 major units was proposed after the focus group analysis (General Optical Council (UK), ASCO (EEUU); Optometry Australia and The Canadian Examiners in Optometry mapping) with high levels of consensus between university staff members (Delphi survey) and external stakeholders.Acompetencies-based logbook was created and used during student placements yielding high levels of satisfaction amongst both students and supervisors (7.6±1.2 and 7.4±1.6 over 10 respectively). Conclusions: This study demonstrates the use of a systematic method toobjectively develop undergraduate core competenciesby asking different external and internal university stakeholdersto identify competencies that are relevant inday-to-day professional practice. Similar methodology could be used in other programs, and provides rational and transparent means of developing competenciesin the education ofhealth care students.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».