Actor-network theory and ethnography: Sociomaterial approaches to researching medical education
Notice bibliographique
Résumé
Medical education is a messy tangle of social and material elements. These material entities include tools, like curriculum guides, stethoscopes, cell phones, accreditation standards, and mannequins; natural elements, like weather systems, disease vectors, and human bodies; and, objects, like checklists, internet connections, classrooms, lights, chairs and an endless array of others.We propose that sociomaterial approaches to ethnography can help us explore taken for granted, or under-theorized, elements of a situation under study, thereby enabling us to think differently. In this article, we describe ideas informing Actor-Network Theory approaches, and how these ideas translate into how ethnographic research is designed and conducted. We investigate epistemological (what we can know, and how) positioning of the researcher in an actor-network theory informed ethnography, and describe how we tailor ethnographic methods-document and artefact analysis; observation; and interviews-to align with a sociomaterial worldview.Untangling sociomaterial scenarios can offer a novel perspective on myriad contemporary medical education issues. These issues include examining how novel tools (e.g. accreditation standards, assessment tools, mannequins, videoconferencing technologies) and spaces (e.g. simulation suites, videoconferenced lecture theatres) used in medical education impact how teaching and learning actually happen in these settings.
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 | 0,028 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,033 |
| Communication savante | 0,010 | 0,020 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».