Lessons learned from a student-driven initiative to design and implement an Organ and Tissue Donation course across Canadian medical schools
Notice bibliographique
Résumé
The competencies required of the well-trained physician are constantly evolving, and medical education must adapt accordingly. In response, a growing number of influential medical education licensing and accreditation bodies have proposed frameworks that outline society's expectations of physician competencies. In Canada, undergraduate and graduate curricula have undergone major changes to meet the specifications of the CanMEDS framework, and similar efforts are underway internationally. Nonetheless, ensuring the values enshrined within such frameworks become integral to a physician's identity remains challenging. We believe that student-led curricular initiatives represent a novel way of approaching this shifting medical education landscape.In this article, we reflect on lessons we learned as medical students spearheading an initiative to change how organ and tissue donation is taught in Canadian medical schools. Citing relevant medical education literature where applicable, we include a detailed description of our approach as a roadmap for students contemplating their own curricular innovations. By outlining the factors influencing this project's implementation, as well as the benefits and limitations of student participation in curriculum reform, we offer educators a fresh perspective on optimizing the student role in this important process. Ultimately, the authors argue that not only can student participation render curricular content more accessible to learners, but that the responsibilities students take on in this role naturally lead to the development of CanMEDs-based competencies such as advocacy, scholarship, and inter-professionalism.
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 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».