Notice bibliographique
Résumé
To the Editor: Drs. Hoang and Lau1 recently offered a discerning perspective on what they view as reductionist problems in competency-based medical education (CBME) using overfitting in data science as an illustrative parallel. The authors went on to propose several ways in which qualitative methods may complement the tradition of quantitative measurement in student assessment. While they justly acknowledge the necessity of multiple methods of assessment in CBME, and its associated burden, here I believe the authors have foregone the opportunity to further explore cross-discipline contributions. Presumably, membership of the described “faculty panels” for periodic group assessment of medical trainees is limited to physicians, and while the exemplar coaching program employs trained nonclinicians, the authors inadequately address how other professionals, including nurses and pharmacists, might support feedback for student learning. The processes (and benefits) of structured, multisource feedback for physicians are well described, and the study of its use in undergraduate and postgraduate health professional student education is beginning to gain wider attention.2 Clinicians in multidiscipline training settings work in close proximity with students—directly observing tasks, cooperating in patient care—and are acquainted with competency roles that overlap with their own discipline or are broadly interprofessional in nature (such as professionalism, communication, and collaboration).3 Health professions education now additionally emphasizes the “team readiness” of its students, so why not capitalize on the viewpoints of the team members themselves? Research demonstrates that physician supervisors are certainly far from uniform as raters when making performance judgments, and so a relative “multiplicity of perspectives” is already inherent in medical trainee assessment. However, upscaling assessor capacity in CBME will benefit from more concerted attention to understanding and formalizing feedback from the diversity of professionals interacting with trainees in learning contexts over time.4 Kerry Wilbur, PharmD, MScPHAssociate professor and executive director, Entryto-Practice Education, Faculty of Pharmaceutical Sciences, University of British Columbia, Vancouver, British Columbia, Canada; [email protected]; ORCID: http://orcid.org/0000-0002-5936-4429.
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 | 0,043 | 0,253 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,011 | 0,014 |
| Science ouverte | 0,006 | 0,010 |
| Intégrité de la recherche | 0,015 | 0,035 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 ».