To fail is human: remediating remediation in medical education
Notice bibliographique
Résumé
INTRODUCTION: Remediating failing medical learners has traditionally been a craft activity responding to individual learner and remediator circumstances. Although there have been moves towards more systematic approaches to remediation (at least at the institutional level), these changes have tended to focus on due process and defensibility rather than on educational principles. As remediation practice evolves, there is a growing need for common theoretical and systems-based perspectives to guide this work. METHODS: This paper steps back from the practicalities of remediation practice to take a critical systems perspective on remediation in contemporary medical education. In doing so, the authors acknowledge the complex interactions between institutional, professional, and societal forces that are both facilitators of and barriers to effective remediation practices. RESULTS: The authors propose a model that situates remediation within the contexts of society as a whole, the medical profession, and medical education institutions. They also outline a number of recommendations to constructively align remediation principles and practices, support a continuum of remediation practices, destigmatize remediation, and develop institutional communities of practice in remediation. DISCUSSION: Medical educators must embrace a responsible and accountable systems-level approach to remediation if they are to meet their obligations to provide a safe and effective physician workforce.
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 | 0,016 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,038 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,002 | 0,014 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 ».