COVID-19 Can Catalyze the Modernization of Medical Education
Notice bibliographique
Résumé
Amid the coronavirus disease (COVID-19) crisis, we have witnessed true physicianship as our frontline doctors apply clinical problem-solving to an illness without a textbook algorithm. Yet, for over a century, medical education in the United States has plowed ahead with a system that prioritizes content delivery over problem-solving. As resident trainees, we are acutely aware that memorizing content is not enough. We need a preclinical system designed to steer early learners from "know" to "know how." Education leaders have long advocated for such changes to the medical school structure. For what may be the first time, we have a real chance to effect change. In response to the COVID-19 pandemic, medical educators have scrambled to conform curricula to social distancing mandates. The resulting online infrastructures are a rare chance for risk-averse medical institutions to modernize how we train our future physicians-starting by eliminating the traditional classroom lecture. Institutions should capitalize on new digital infrastructures and curricular flexibility to facilitate the eventual rollout of flipped classrooms-a system designed to cultivate not only knowledge acquisition but problem-solving skills and creativity. These skills are more vital than ever for modern physicians.
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 | 0,023 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,002 | 0,027 |
| Intégrité de la recherche | 0,006 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,061 | 0,018 |
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.
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 ».