Approaching Impact Meaningfully in Medical Education Research
Notice bibliographique
Résumé
Medical education research faces increasing pressure to demonstrate impact and utility. These pressures arise amidst a climate of accountability and within a culture of outcome measurement. Conventional metrics for assessing research impact such as citation analysis have been adopted in medical education, despite researchers' assertion that these quantitative measures insufficiently reflect the value of their work. Every knowledge community has its own definitions of what counts as knowledge, how that knowledge should be produced, and how the quality of that knowledge production should be evaluated. Definitions of impact and knowledge shape and constrain researchers' foci and endeavors. Therefore, metrics that meaningfully evaluate the knowledge outputs of researchers need to be defined within each field. It is time for medical education research, as a field, to examine how to measure research impact and carefully consider the broader implications these measures may have. The authors discuss developments in research metrics more broadly, then critically examine impact metrics currently used in the medical education field and propose alternatives to more meaningfully track and represent impact in medical education research. Grey metrics and narrative impact stories to more fully capture the richness and nuanced nature of impact in medical education research are introduced. The authors advocate for a continual examination of how impact is defined, eschewing unquestioned use of conventional metrics. A new conversation is needed, as well as a research agenda to help medical education conceptualize and study metrics more appropriate for the field.
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 | 0,562 | 0,725 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,033 | 0,030 |
| Études des sciences et des technologies | 0,013 | 0,072 |
| Communication savante | 0,078 | 0,096 |
| Science ouverte | 0,007 | 0,050 |
| Intégrité de la recherche | 0,013 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».