Does testing enhance learning in continuing medical education?
Notice bibliographique
Résumé
Background: There has been growing interest in using theory-driven research to develop and evaluate continuing medical education (CME) activities. Within health professions education, testing has been shown to promote learning in a variety of different contexts, an effect referred to as test-enhanced learning (TEL). However, the extent to which TEL generalizes to CME remains unclear. The purpose of this study was to investigate whether physicians who received two intervening tests following a CME event would experience a TEL effect relative to physicians who received additional study material to review without testing. Methods: Forty-nine physicians were recruited during a local CME activity. Physicians were randomized to either a) the test group (n=26), where participants completed two 20 multiple-choice question (MCQ) quizzes related to the lecture content or b) the study group (n=23), where participants studied the same information without testing. Testing and studying occurred independently during the CME activity, and then four weeks later online. At eight weeks, participants completed a final 20-item MCQ online test. A between-subjects t-test was used to compare performance on the final test as a function of the initial educational activity (test group vs. study group).Results: Performance on the final MCQ test was equivalent for both test (Mean (SD): 75% (9.9)) and study-only (77% (7.3)) conditions (t(47) = 0.94, p=0.35). Conclusion: The null findings in the present study are contrary to previous findings demonstrating TEL among novice learner populations. The lack of TEL highlights several programmatic considerations that should be factored in before implementing TEL as a part of CME.
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 | 0,215 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 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 ».