Key differences between severity of disciplinary issues and medical student insights
Notice bibliographique
Résumé
CONTEXT: This study explores the reliability of tools designed to rate the type of remediable medical student offences, their severity, and the quality of student insight in response to the remediation, and tests the relationships between these three constructs. METHODS: Data were collected via retrospective appraisal of remediation files from the 2009-2016 incoming classes of McMaster University's medical programme. Across two studies, 12 faculty members categorised the offences by type (academic or professionalism), and rated severity and insight by way of single anchored Likert scales. In Study 1, Krippendorff's alpha and independent, two-way, consistency type, average measures (k = 6), random-effects inter-rater reliability analyses were conducted to assess the inter-rater reliability of ratings of the measures. In Study 2, independent samples t-tests were conducted for the severity and insight measures as a function of offence type. Pearson correlations were used to assess the relationship between severity and insight as a function of offence type. RESULTS: High inter-rater reliability was found with respect to the type of offence (α = 0.86), severity (0.92) and student insight (0.88). Mean (±standard deviation) ratings of severity are significantly higher for professionalism (4.37 ± 1.20) than academic offences (2.89 ± 1.25), t(73) = -5.3, p < 0.001, |d| = 1.21, whereas the opposite is true for ratings of insight, (professionalism, 3.19 ± 1.37; academic, 4.48 ± 1.01), t(73) = 4.6, p < 0.001, |d| = 1.07. Ratings of severity and insight are moderately negatively correlated for both academic (r = -0.64, p < 0.001, n = 38) and professionalism offences (r = -0.57, p < 0.001, n = 37). CONCLUSIONS: Professionalism offences are perceived as more severe and are associated with lower insight than academic offences, pointing to the difficulty that learners face in assessing the constitution of a professionalism offence. This illustrates a need for deeper consideration about remedial strategies for lapses in professionalism.
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 | 0,007 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».