Students' social networks are diverse, dynamic and deliberate when transitioning to clinical training
Notice bibliographique
Résumé
Abstract Context Transitions in medical education are dynamic, emotional and complex yet, unavoidable. Relationships matter, especially in times of transition. Using qualitative, social network research methods, we explored social relationships and social support as medical students transitioned from pre‐clinical to clinical training. Methods Eight medical students completed a social network map during a semi‐structured interview within two weeks of beginning their clinical clerkships (T 0 ) and then again four months later (T 1 ). They indicated meaningful interactions that influenced their transition from pre‐clinical to clinical training and discussed how these relationshipsimpacted their transition. We conducted mixed‐methods analysis on this data. Results At T 0 , eight participants described the influence of 128 people in their social support networks; this marginally increased to 134 at T 1 . People from within and beyond the clinical space made up participants’ social networks. As new relationships were created (eg with peers and doctors), old relationships were kept (eg with doctors and family) or dissolved over time (eg with near‐peers and nurses). Participants deliberately created, kept or dissolved relationships over time dependent on whether they provided emotional support (eg they could trust them) or instrumental support (eg they provided academic guidance). Conclusions This is the first social networks analysis paper to explore social networks in transitioning students in medicine. We found that undergraduate medical students’ social support networks were diverse, dynamic and deliberate as they transitioned to clerkships. Participants created and kept relationships with those they trusted and who provided emotional or instrumental support and dissolved relationships that did not provide these functions.
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 | 0,002 | 0,009 |
| 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 | 0,001 | 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 ».