In search of educational efficiency: 30 years of <i>Medical Education</i> 's top‐cited articles
Notice bibliographique
Résumé
CONTEXT: Academic journals represent shared spaces wherein the significance of thematic areas, methodologies and paradigms are debated and shaped through collective engagement. By studying journals in their historical and cultural contexts, the academic community can gain insight into the ways in which authors and audiences propose, develop, harness, revise and discard research subjects, methodologies and practices. METHODS: Thirty top-cited articles published in Medical Education between 1986 and 2014 were analysed in a two-step process. First, a descriptive classification of articles allowed us to quantify the frequency of content areas over the time span studied. Secondly, a discourse analysis was conducted to identify the continuities, disruptions and tensions within the three most prominent content areas. RESULTS: The top-cited articles in Medical Education focused on three major areas of interest: problem-based learning, simulation and assessment. In each of these areas of interest, we noted a tension between the desire to produce and apply standardised tools, and the recognition that the contexts of medical education are highly variable and influenced by political and financial considerations. The general preoccupation with achieving efficiency may paradoxically jeopardise the ability of medical schools to address the contextual needs of students, teachers and patients. CONCLUSIONS: Understanding the topics of interest for a journal's scholarly audience and how these topics are discursively positioned, provides important information for researchers in deciding how they wish to engage with the field, as well as for educators as they assess the relevance of educational products for their local 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 | 0,003 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».