MétaCan
Menu
Retour à la cohorte
Enregistrement W2765227879 · doi:10.1097/acm.0000000000001913

How and Why Preclerkship Students Set Learning Goals and Assess Their Achievement: A Qualitative Exploration

2017· article· en· W2765227879 sur OpenAlexaff
Pawel M. Kindler, Joanna Bates, Eric Ka‐Wai Hui, Kevin W. Eva

Notice bibliographique

RevueAcademic Medicine · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésFormative assessmentMedical educationSet (abstract data type)CurriculumPsychologyPerceptionMedicinePedagogyComputer science

Résumé

récupéré en direct d'OpenAlex

PURPOSE: Health professionals are expected to routinely assess their weaknesses, set learning goals, and monitor their achievement. Unfortunately, it is well known that these professionals often struggle with effectively integrating external data and self-perceptions. To know how best to intervene, it is critical that the health professionals community understand the cues students and practitioners use to assess their abilities. Here the authors aimed to gain insights into how and why medical students set learning goals, monitor their progress, and demonstrate their learning. METHOD: In 2012, the authors conducted semistructured interviews with Year 2 students (n = 20), applying an inductive approach to data analysis by iteratively developing, refining, and testing coding structures. RESULTS: Themes were constructed through discussion and consensus: (1) Students were diverse in how they set learning goals, (2) they used a range of approaches to monitor their progress, and (3) they struggled to balance studying for exams with preparation for clinical training. Tensions observed highlight assumptions embedded in medical curricula that can be problematic. CONCLUSIONS: Educators often treat medical students as a cohesive whole, thereby creating a mismatch between assessments that are intended to be formative and information students use to monitor their progress. Despite limited exposure to clinical contexts, goal generation and monitoring often stem from a desire to prepare for clinical practice. In grappling with these tensions, it is important to be mindful that students are individualistic in how they balance their commitment to prepare for clinical work and the need to concentrate on exams.

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)0,025
score de la tête « metaresearch » (Gemma)0,029
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,131

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0250,029
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0090,010
Communication savante0,0050,005
Science ouverte0,0020,006
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,220
Tête enseignante GPT0,491
Écart entre enseignants0,271 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

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

En bref

Citations4
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademic MedicineMême sujetInnovations in Medical EducationTravaux en français237 207