MétaCan
Menu
← Retour à la cohorte
Enregistrement W3013480871 · doi:10.1097/acm.0000000000003168

In Reply to Chow et al

2020· letter· en· W3013480871 sur OpenAlexaffabout
Teresa M. Chan, Eve Purdy, Brent Thoma

Notice bibliographique

RevueAcademic Medicine · 2020
Typeletter
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensRoyal College of Physicians and Surgeons of CanadaMcMaster UniversityUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésApprenticeshipScholarshipFormative assessmentMedical educationPsychologyCoachingPedagogyMedicinePolitical science

Résumé

récupéré en direct d'OpenAlex

We thank Dr. Chow and colleagues for taking interest in our Innovation Report and having ambition to extend our coached peer review technique beyond medical students. Indeed, it is important that we form communities of practice1,2 around early career faculty members looking to up their academic scholarship game. As Dr. Chow and colleagues point out, early career academic clinicians are often asked to perform academic duties beyond their training. Some opt to pursue graduate studies early in their careers,3 but there is no guarantee that these programs will teach them the academic skills they need to thrive. As grants become scarce and publication pressures mount, it is increasingly hard for early career academics to be successful. We agree that opening peer review to become the formative, coaching process we describe may be part of the solution. Similarly, innovations, like group peer review processes,4 can also help those acquiring skills in reviewing articles, providing them with mentors who offer insights into the mysteries of peer review. Another way for early career academics to gain skills is to become apprentices or partake in high-level faculty development communities. Programs like the Academic Life in Emergency Medicine faculty incubator program,5 Harvard Macy’s educators course,6 or the CanadiEM digital scholars fellowship7 are other possible ways for individuals to acquire and develop their skills. Lastly, perhaps institutions should completely reexamine their promotions processes. Not every clinician–teacher needs to be a great researcher. The time and energy it takes to engage uninterested early career faculty in the art of academic scholarship may be better spent changing the hearts and minds (and policies) of our institutions to acknowledge the modern medical school’s diverse forms of scholarship. Advocacy, community service, leadership, and high-quality teaching are some of the ways great clinician–teachers contribute. Perhaps instead of asking everyone to play by the same rules, we could instead acknowledge that our talents vary, and through structural reform celebrate, invest, and reward this diversity accordingly.3 Teresa M. Chan, HBSc, BEd, MD, FRCPC, MHPEAssociate professor, Department of Medicine, Division of Emergency Medicine, and assistant dean, Program for Faculty Development, Faculty of Health Sciences, McMaster University, Hamilton, Ontario, Canada; [email protected]; ORCID: http://orcid.org/0000-0001-6104-462X. Eve Purdy, BHSc, MD, MScResident physician, Royal College of Physicians and Surgeons of Canada, Emergency Medicine, Queen’s University, Kingston, Ontario, Canada.Brent Thoma, MD, MA, MSc, FRCPCAssociate professor, Department of Emergency Medicine, University of Saskatchewan, Saskatoon, Saskatchewan, Canada; ORCID: http://orcid.org/0000-0003-1124-5786.

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)0,007
score de la tête « metaresearch » (Gemma)0,059
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: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil0,077

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,059
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0020,001
Études des sciences et des technologies0,0040,004
Communication savante0,0070,009
Science ouverte0,0060,004
Intégrité de la recherche0,0460,058
Charge utile insuffisante (le modèle a refusé de juger)0,0230,018

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 Opus0,045
Tête enseignante GPT0,401
Écart entre enseignants0,356 · 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
GenreCommentaire

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

En bref

Citations0
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAcademic Medicine→Même sujetInnovations in Medical Education→Travaux en français237 207→