Case-Based Learning in Dermatology
Notice bibliographique
Résumé
IMPORTANCE: The instruction of dermatology can be challenging due to its large scope, heavy clinical nature, and limited curriculum space. Case-based learning (CBL) is an emerging education paradigm and has no current literature on its use in dermatology. OBJECTIVES: Assess CBL in undergraduate dermatology medical education. METHODS: Case-based learning was implemented in the preclerkship dermatology curriculum at the University of Toronto to 3 student cohorts (totaling 710 students and 93 tutors) between May 2016 and April 2017. We analyzed assignment performance, pre- and post-CBL knowledge test scores, and experience surveys on students and tutors. Surveys were evaluated using aggregate descriptive statistics for quantitative data and thematic data analysis for qualitative data. All assessments were anonymous and voluntary. RESULTS: We received strong positive feedback on the CBL experience, with no score less than 3.8 on a 5-point scale (where 5 indicated strongly agree with a positively phrased question). Thematic data analysis revealed several key themes, including positive comments for a specialist tutor, the use of visual media, and the "mini-cases" style of CBL, while challenges included a lack of motivation. Group assignments scored high, ranging from 88.9% to 99.3%. Tracked pre- and post-CBL knowledge test scores showed a 32% (from 42% to 74%) increase in scores after the CBL experience. Conclusion and Relevance: CBL in dermatology medical education was well received by students and tutors, with high scores in content evaluation and knowledge assessment. Future studies should examine optimal delivery methods and its long-term effects on knowledge retention.
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 | 0,006 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,003 |
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 ».