Window to the Unknown: Using Storytelling to Identify Learning Needs for the Intrinsic Competencies Within an Online Needs Assessment
Notice bibliographique
Résumé
INTRODUCTION: Needs assessments are important for developing online educational resources, but they frequently do not capture learning needs in the intrinsic physician competencies. Storytelling exercises, by promoting critical reflection and emphasizing values and context, may assist curriculum developers in identifying emergent knowledge gaps in these areas that are initially unknown to learners. METHODS: that case was difficult. In this qualitative descriptive study, we performed a secondary thematic analysis of this storytelling data, coded for the CanMEDS 2015 intrinsic roles. Two investigators independently coded transcripts with iterative comparison. RESULTS: A total of 143 respondents completed the storytelling exercise. All responses yielded a gap in medical expertise, while 25 (17.5%) described an additional intrinsic role. Learning needs in all six intrinsic roles were identified. The most commonly cited learning needs were in the leader (recognizing how resource allocation impacts health care), communicator (communicating knowledge with patients), and collaborator (unclear communication between providers) roles. These excerpts were notable for how they expressed the complexity and affective components of medicine. CONCLUSIONS: Storytelling exercises can highlight context, attitudes, and relationships that provide depth to needs assessments. These narratives are a novel method of identifying gaps in intrinsic physician competencies that are initially unknown by learners (Johari window). These emergent intrinsic learning needs may be used to enrich learner-centered curricula.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».