Black Ice: ways to get a grip on resident co-production within medical education change
Notice bibliographique
Résumé
The Royal College of Physicians and Surgeons of Canada (RCPSC) is transforming its national approach to postgraduate medical education by transitioning all specialty programs to competency based medical education (CBME) curriculums over a seven-year period. Queen's University, with special permission from the RCPSC, launched CBME curricula for all incoming residents across its 29 specialty programs in July 2017. Resident engagement, empowerment, and co-production through this transition has been instrumental in successful implementation of CBME at Queen's University. This article aims to use our own experience at Queen's in the context of current literature and rooted in change leadership theory, to provide a guide for educators, learners, and institutions on how to leverage the interest and enthusiasm of trainees in the transition to CBME in postgraduate training. The following ten tips provides a model for avoiding the "black ice" type pitfalls that can arise with learner involvement and ensure a smoother transition for other institutions moving forward with CBME implementation.
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 | 0,051 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,034 | 0,047 |
| Communication savante | 0,034 | 0,054 |
| Science ouverte | 0,005 | 0,045 |
| Intégrité de la recherche | 0,013 | 0,027 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,008 |
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 ».