“You Want Me to Assess What?”: Faculty Perceptions of Assessing Residents From Outside Their Specialty
Notice bibliographique
Résumé
PROBLEM: Competency-based medical education (CBME) demands that residents be directly observed performing clinical tasks; however, many faculty lack assessment expertise, and some programs lack resources and faculty numbers to fulfill CBME's mandate. To maximize limited faculty resources, the authors explored training and deploying faculty to assess residents in specialties outside their own. APPROACH: In spring 2017, 10 MD and 2 PhD assessors at a medium-sized medical school in Ontario, Canada, participated in a 4-hour training session, which focused on providing formative assessments of patient handover, a core competency of medical practice. Assessors were deployed to 2 clinical settings outside their own specialty-critical care and pediatrics-each completing 11 to 26 assessments of residents delivering patient handover. Assessors were subsequently interviewed regarding their experiences. OUTCOMES: While assessors felt able to judge handover performance outside their specialty, their sense of comfort varied with their own prior experiences in the given settings. Lack of familiarity with the process of handover in a specific setting directly influenced assessors' perceptions of their own credibility. Although assessors identified the potential benefits of cross-specialty assessment, they also cited challenges to sustaining this approach. NEXT STEPS: Findings indicate a possible "contextual threshold" for cross-specialty assessment: tasks with high context specificity might not be suitable for cross-specialty assessment. Introducing higher-fidelity simulation into the training protocol and ensuring faculty members are remunerated for their time are necessary to establish future opportunities for shared assessment resources across training programs.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».