Is hybrid-PBL advancing teaching in biomedicine? A systematic review
Notice bibliographique
Résumé
BACKGROUND: The impact of instructional guidance on learning outcomes in higher biomedical education is subject of intense debate. There is the teacher-centered or traditional way of teaching (TT) and, on the other side, the notion that students learn best under minimal guidance such as problem-based learning (PBL). Although the benefits of PBL are well-known, there are aspects susceptible to improvement. Hence, a format merging TT and PBL (hybrid-PBL, h-PBL) may advance education in biomedical sciences. METHODS: Studies that employed h-PBL in higher biomedical education compared to TT and/or pure PBL were systematically reviewed. Specifically, this review addressed the following question: does h-PBL in biomedical sciences result in superior marks and a better student's perception of the teaching and learning process? RESULTS: We found that the use of h-PBL in higher biomedical sciences was superior compared to TT and pure-PBL. This was evidenced by the higher performance of the students in h-PBL as well as the level of student's satisfaction as compared to TT or pure PBL. CONCLUSIONS: These findings encourage more research on investigating the pedagogical benefits of h-PBL. In addition, these data support an eclectic system in which the pedagogical tools from TT and PBL are used cooperatively in the best interest of the education and satisfaction of the students.
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 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 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 ».