Traditional Panel Interview versus Multiple Mini-Interview (MMI) in Medical School Admissions: Does Performance differ by Age, Gender, Urban or Rural, or Socioeconomic Status (Findings from one medical school)
Notice bibliographique
Résumé
<ns4:p>This article was migrated. The article was marked as recommended. Introduction:Globally, medical schools are trying to widen access and to increase the diversity of their student body to be more representative of the population and to meet the future heath care needs of society. Selection methods must not disadvantage the applicants from priority groups. In Memorial University’s Faculty of Medicine, rural applicants and applicants from low socioeconomic status are priority groups. Methods:Since 2013, Memorial University has used a combination of traditional panel interviews and MMIs to interview candidates for medical school. We wondered whether applicants who participate in this medical school interview process perform differently on the MMIs compared to the traditional panel interview process and whether performance differs on either of the two interview processes based on age, sex, origin(urban or rural), or socioeconomic status.Results:The mean score on the traditional panel interview was higher than that on the MMI. Females scored higher than males on both the traditional panel interview and the MMI. Applicants aged 22 and younger performed worse on both the traditional panel interview and the MMI than the other age groups. Neighborhood socioeconomic status, and urban/rural living status were not significantly related with applicants’ performance on the traditional panel interview or MMI.Discussion:The type of interview is not disadvantaging applicants from Memorial University’s priority areas.</ns4:p>
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 | 0,002 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,676 | 0,001 |
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; les deux têtes enseignantes 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 ».