MétaCan
Menu
Retour à la cohorte
Enregistrement W2733328613 · doi:10.1097/acm.0000000000001812

The Use of the Delphi and Other Consensus Group Methods in Medical Education Research: A Review

2017· review· en· W2733328613 sur OpenAlexaff
Susan Humphrey‐Murto, Lara Varpio, Timothy J. Wood, Carol Gonsalves, Lee‐Anne Ufholz, Kelly Mascioli, Carol Wang, Thomas Foth

Notice bibliographique

RevueAcademic Medicine · 2017
Typereview
Langueen
DomaineSocial Sciences
ThématiqueDelphi Technique in Research
Établissements canadiensMedical Council of CanadaUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésPsycINFODelphi methodMEDLINEDelphiNominal group techniqueScopusMedical educationData extractionCurriculumNominal groupMedicinePsychologyFamily medicineComputer sciencePolitical scienceKnowledge management

Résumé

récupéré en direct d'OpenAlex

PURPOSE: Consensus group methods, such as the Delphi method and nominal group technique (NGT), are used to synthesize expert opinions when evidence is lacking. Despite their extensive use, these methods are inconsistently applied. Their use in medical education research has not been well studied. The authors set out to describe the use of consensus methods in medical education research and to assess the reporting quality of these methods and results. METHOD: Using scoping review methods, the authors searched the Medline, Embase, PsycInfo, PubMed, Scopus, and ERIC databases for 2009-2016. Full-text articles that focused on medical education and the keywords Delphi, RAND, NGT, or other consensus group methods were included. A standardized extraction form was used to collect article demographic data and features reflecting methodological rigor. RESULTS: Of the articles reviewed, 257 met the inclusion criteria. The Modified Delphi (105/257; 40.8%), Delphi (91/257; 35.4%), and NGT (23/257; 8.9%) methods were most often used. The most common study purpose was curriculum development or reform (68/257; 26.5%), assessment tool development (55/257; 21.4%), and defining competencies (43/257; 16.7%). The reporting quality varied, with 70.0% (180/257) of articles reporting a literature review, 27.2% (70/257) reporting what background information was provided to participants, 66.1% (170/257) describing the number of participants, 40.1% (103/257) reporting if private decisions were collected, 37.7% (97/257) reporting if formal feedback of group ratings was shared, and 43.2% (111/257) defining consensus a priori. CONCLUSIONS: Consensus methods are poorly standardized and inconsistently used in medical education research. Improved criteria for reporting are needed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,244
score de la tête « metaresearch » (Gemma)0,367
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,756
Score d'incertitude au seuil0,933

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,2440,367
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0070,006
Bibliométrie0,0330,029
Études des sciences et des technologies0,0030,006
Communication savante0,0090,012
Science ouverte0,0050,007
Intégrité de la recherche0,0060,004
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,865
Tête enseignante GPT0,729
Écart entre enseignants0,136 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeRevue systématique
DomaineMéthodes
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations629
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademic MedicineMême sujetDelphi Technique in ResearchTravaux en français237 207