Enhancing Internal Medicine Residents’ Royal College Exam Competency Using In-Training Written Exams within a Competency Based Medical Education Framework
Notice bibliographique
Résumé
Background: Canadian residency programs have adopted competency-based medical education, where time-based learning systems are replaced with core competency “milestones” that must be achieved before a student progresses. Assessment tools must be developed to predict performance prior to high-stakes milestones, so interventions can be targeted to improve performance. Objectives: 1. To characterize how well each of three practice written exams predicts passing the Canadian Internal Medicine Royal College (RC) exam. 2. To determine if writing practice exams is perceived to improve performance on the RC exam. Methods: Three 105-question multiple choice question exams were created from a range of internal medicine topics, and offered one month apart to 35 residents. Percentile ranks on each practice exam were compared to the result (pass/fail) on the RC exam. Surveys were completed within 1 month after the RC exam. Results: There were 35 residents invited to participate. Practice exams (PE) 1, 2, and 3 were taken by 33, 26, and 22 residents, for an exam participation rate of 94.3, 74.3, and 62.9%, respectively. Failure on the RC exam could be predicted by percentile ranking <15% on PE1 (OR 19.5, p=0.017) or PE2 (OR 63.0, p=0.006), and by percentile ranking <30% on PE1 (OR 28.8, p=0.003), PE2 (OR 24.0, p=0.010) or PE3 (OR 15.0, p=0.046). The survey was sent out to the 33 participants. Of those, the total number of respondents was 25, with a response rate of 75.5%. Survey takers agreed that practice written exams improved performance on the RC exam (18/25, 88%). Conclusions: Performance in the Canadian Internal Medicine RC Exam can be predicted by performance on any of three practice written exams. This tool can therefore identify trainees for whom additional resources should be invested, to prevent failure of a high-stakes milestone within the competency based medical education framework.
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 | 0,018 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».