Data, Big and Small: Emerging Challenges to Medical Education Scholarship
Notice bibliographique
Résumé
The collection and analysis of data are central to medical education and medical education scholarship. Although the technical ability to collect more data, and medical education's dependence on data, have never been greater, it is getting harder for medical schools and educational scholars to collect and use data, particularly in terms of the regulations, security issues, and growing reluctance of learners and others to participate in data collection activities. These two countervailing trends present a growing threat to the viability of medical education scholarship. In response, there must either be a more conducive data environment for medical education scholarship or medical education must move to become less dependent on data.There is, therefore, a growing need for a system-wide correction: a shift in practice that makes data use more viable and productive while maintaining high professional standards. There are five core areas that can contribute to a system-wide correction: greater clarity over what can be used as data; greater clarity on what constitutes "good" data; changes to the ways in which data are collected; better strategic stewardship of existing data; and deliberate and strategic attention to "data readiness" in support of medical education and medical education scholarship. These solutions are primarily practical and conceptual changes in the face of what are mainly regulatory challenges. However, medical educators also need to engage with emerging areas of practice such as learning analytics, and they need to consider the shifting social contract for using data in medical education.
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 | 0,228 | 0,360 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,009 | 0,014 |
| Études des sciences et des technologies | 0,012 | 0,050 |
| Communication savante | 0,043 | 0,054 |
| Science ouverte | 0,010 | 0,031 |
| Intégrité de la recherche | 0,014 | 0,028 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».