Converting to Connect: A Rapid RE‐AIM Evaluation of the Digital Conversion of a Clerkship Curriculum in the Age of COVID‐19
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Background With the advent of the 2019 coronavirus pandemic, a decision was made to remove medical students from clinical rotations for their own safety. This forced students on a core emergency medicine (EM) rotation at McMaster University to immediately cease all in‐person activities. An urgent need for a virtual curriculum emerged. Methods A virtual curriculum consisting of asynchronous case‐based learning on Slack, ask‐me‐anything webinars, and online e‐modules was created to fill the need. We describe a program evaluation using the RE‐AIM framework and a social networking analysis of participants. Results Medical students ( n = 23) and 11 facilitators (five residents, six faculty members) participated in this pilot study. Faculty members sent a mean (±SD) of 115 (±117) messages ( n = 6), and mean (±SD) message counts for students and residents were 49.96 (±25; n = 23) and 39 (±38; n = 5), respectively. A total of 62,237 words were written by the participants, with a mean of 1,831 per person. Each message consisted of a mean (±SD) of 25 words (±29). Students rapidly acquitted themselves to digital technology. Using the RE‐AIM framework we highlight the feasibility of a virtual curriculum, discuss demands on faculty time, and reflect on strategies to engage learners. Conclusions The use of asynchronous digital curricula creates opportunities for faculty–resident interaction and engagement. We report the successful deployment of a viable model for undergraduate EM training for senior medical students in the COVID‐19 era of physical distancing.
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.
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 | 0,001 |
| 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 découle