Radiology Interest Groups: A Recipe for Success
Notice bibliographique
Résumé
OBJECTIVES: Radiology Interest Groups (RIGs) are valuable for medical students and the radiology profession. The purpose of this study is to identify key components of a successful RIG and to discuss how to optimize available resources to increase student engagement in radiology. METHODS: Anonymous feedback forms (n = 478) completed by preclinical medical students attending 20 RIG events between September 2016 and May 2019 were analyzed. A five-point Likert-type scale was used to determine event effectiveness, and important themes reflecting student perspectives were identified using thematic analysis of freeform comments. RESULTS: Based on Likert feedback, 75% to 78% of students had a positive experience of RIG events and believed sessions were relevant to their studies. 31% to 42% of students believed these events increased their interest or insight into radiology and influenced their career choice. Four representative themes were identified by qualitative analysis of written feedback: engagement, professional development, mentorship, and suggestions for improvement. These themes provided insight into student perspectives of our RIG, and, along with experience from the RIG organizers, the authors present elements perceived to have contributed to these positive results. CONCLUSION: Thematic analysis of feedback reveals that students consider interactive events, contribution to professional development, and the opportunity for mentorship valuable elements of a RIG. From the perspective of the organizing committee, we embody these aspects through careful planning, innovative events, and consistent debriefing. In this way, our RIG promotes the future of the radiology profession and serves as a practical model for other similar organizations.
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 | 0,001 | 0,006 |
| 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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».