Impact of COVID-19 on medical education: introducing homo digitalis
Notice bibliographique
Résumé
PURPOSE: To determine how members of the Société Internationale d'Urologie (SIU) are continuing their education in the time of COVID-19. METHODS: A survey was disseminated amongst SIU members worldwide by email. Results were analyzed to examine the influence of age, practice region and settings on continuing medical education (CME) of the respondents. RESULTS: In total, 2494 respondents completed the survey. Internet searching was the most common method of CME (76%; all ps < 0.001), followed by searching journals and textbook including the online versions (62%; all ps < 0.001). Overall, 6% of the respondents reported no time/interest for CME during the pandemic. Although most urologists report using only one platform for their CME (26.6%), the majority reported using ≥ 2 platforms, with approximately 10% of the respondents using up to 5 different platforms. Urologists < 40 years old were more likely to use online literature (69%), podcasts/AV media (38%), online CME courses/webinars (40%), and social media (39%). There were regional variations in the CME modality used but no significant difference in the number of methods by region. There was no significant difference in responses between urologists in academic/public hospitals or private practice. CONCLUSION: During COVID-19, urologists have used web-based learning for their CME. Internet learning and literature were the top frequently cited learning methods. Younger urologists are more likely to use all forms of digital learning methods, while older urologists prefer fewer methods.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».