Cinemeducation: Facilitating educational sessions for medical students using the power of movies
Notice bibliographique
Résumé
Medical education focuses predominantly on the science of medicine neglecting the arts and human relationships. Medical humanities was developed to provide a “differing” perspective of the arts. Movies play an important role in the medical humanities and have been used to address various subjects such as medical ethics, doctor–patient relationship, clinical research, mental illness, and professionalism during medical school. Movies involve the affective domain, promote reflection, and link learning to experiences. Movies can teach empathetic behaviors, self-reflection, compassion, and other skills. Movies have been used in a variety of disciplines such as family medicine, psychiatry, internal medicine, and clinical pharmacology among others. Faculty should identify possible topics where movies can be used. Then, they have to create a shortlist of suitable movies and identify the movie to be screened. A list of suitable activities and exercises to promote critical analysis and reflection should be created. Before the screening, a brief introduction to the movie can be provided. The screening should be followed by group activities, presentations, and facilitator inputs. Movies have been used to address topics such as domestic violence, cultural medicine, and attitude toward chronic illness. Most published reports about the use of movies are from the USA. Reports from Canada, Europe, and Argentina are also common. Movies have been used in some Caribbean medical schools and are being increasingly used in South Asian medical schools. A variety of instruments can be used to obtain feedback. There are various databases and collections which will be helpful in choosing appropriate movies.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».