MétaCan
Menu
Retour à la cohorte
Enregistrement W2981092641 · doi:10.2196/12403

Augmenting Flexnerism Via Twitterism: Need for Integrating Social Media Application in Blueprinting Pedagogical Strategies for Undergraduate Medical Education

2019· article· en· W2981092641 sur OpenAlexvenueno aff
Yajnavalka Banerjee, Richa Tambi, Mandana Gholami, Alawi Alsheikh‐Ali, Riad Bayoumi, Peter Lansberg

Notice bibliographique

RevueJMIR Medical Education · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBlueprintPromulgationCornerstoneCurriculumEngineering ethicsMedical educationPsychologyPedagogyMedicineEngineeringPolitical science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Flexnerism, or "competency-based medical education," advocates that formal analytic reasoning, the kind of rational thinking fundamental to the basic sciences, especially the natural sciences, should be the foundation of physicians' intellectual training. The complexity of 21st century health care requires rethinking of current (medical) educational paradigms. In this "Millennial Era," promulgation of the tenets of Flexnerism in undergraduate medical education requires a design and blueprint of innovative pedagogical strategies, as the targeted learners are millennials (designated as generation-Y medical students). OBJECTIVE: The aim of this proof-of-concept study was to identify the specific social media app platforms that are selectively preferred by generation-Y medical students in undergraduate medical education. In addition, we aimed to explore if these preferred social media apps can be used to design an effective pedagogical strategy in order to disseminate course learning objectives in the preclinical phase of a spiral curriculum. METHODS: A cross-sectional survey was conducted by distributing a 17-item questionnaire among the first- and second-year medical students in the preclinical phase at the Mohammed Bin Rashid University of Medicine and Health Science. RESULTS: The study identified YouTube and WhatsApp as the social media app platforms preferred by generation-Y medical students in undergraduate medical education. This study also identified the differences between female and male generation-Y medical students in terms of the use of social media apps in medical education, which we believe will assist instructors in designing pedagogical strategies to integrate social media apps. In addition, we determined the perceptions of generation-Y medical students on the implementation of social media apps in medical education. The pedagogical strategy designed using social media apps and implemented in the Biochemistry course was well accepted by generation-Y medical students and can be translated to any course in the preclinical phase of the medical curriculum. Moreover, the identified limitations of this study provide an understanding of the gaps in research in the integration of social media apps in a medical curriculum catering to generation-Y medical students. CONCLUSIONS: 21st century medical education requires effective use of social media app platforms to augment competency-based medical education: Augmentation of Flexnerism in the current scenario is possible only by the adaptation of Twitterism.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,081
Tête enseignante GPT0,466
Écart entre enseignants0,385 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Medical EducationMême sujetSocial Media in Health EducationTravaux en français237 207