‘There shouldn't be anything wrong with not knowing’: epistemologies in simulation
Notice bibliographique
Résumé
CONTEXT: Medical education embraces simulation-based education (SBE). However, key SBE features purported to support learning, such as learner safety and learning through experience and error, may not align with the dominant culture of medicine, in which portraying confidence and certainty about one's knowledge prevails. Misaligned conceptions about knowledge and learning may produce unintended negative effects, including the suboptimal implementation of SBE, which could consequently compromise SBE and its outcomes. METHODS: To uncover the epistemological beliefs of students experiencing SBE, we conducted a theory-informed analysis of interviews with 24 pre-clerkship medical students following their participation in an SBE training study. Our analysis borrowed from coding methods common in constructivist grounded theory and used Hofer and Pintrich's four dimensions of epistemology as sensitising concepts. RESULTS: Participants subscribed to a dominant view of knowledge as consisting of concrete facts, derived from external sources. By contrast, they described but did not prioritise a conception of building their own knowledge through different learning experiences. Participants positioned experts (i.e. teaching faculty members) as the ultimate knowledge validators through their presence and feedback. Participants also noted that faculty staff could counter medicine's pressures to perform with certainty and confidence at all times by instead embodying and modelling an authentic appreciation of learning through experiences, errors and discovery. CONCLUSIONS: Medicine's tendency to idealise the objective pursuit of singular truths may compromise the purported culture of SBE as a space for learning many wide-ranging aspects of medicine, including how and when to innovate and deviate from norms. Explicit attempts to bridge the epistemological beliefs of medicine and SBE may better enable the realisation of safe experiential learning. Faculty members are positioned to play key roles in enabling this bridging.
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 | 0,037 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,109 |
| Communication savante | 0,011 | 0,018 |
| Science ouverte | 0,002 | 0,014 |
| Intégrité de la recherche | 0,005 | 0,008 |
| 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 ».