MétaCan
Menu
← Retour à la cohorte
Enregistrement W3113009175 · doi:10.1097/acm.0000000000003894

In Reply to Pan et al

2020· letter· en· W3113009175 sur OpenAlexaff
Anupam Thakur, Sophie Soklaridis, Sanjeev Sockalingam

Notice bibliographique

RevueAcademic Medicine · 2020
Typeletter
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensUniversity of TorontoCentre for Addiction and Mental Health
Organismes subventionnairesnon disponible
Mots-clésComputer scienceCompetence (human resources)Experiential learningVirtual learning environmentInstructional simulationKnowledge managementVirtual realityHuman–computer interactionMultimediaPsychologyPedagogy

Résumé

récupéré en direct d'OpenAlex

We thank the authors for their comments on the significance of learning experience design (LED) in adapting to digital interfaces in the delivery of health professions education. Co-creation and collaboration with learners in the design and testing of prototypes is crucial to the implementation of innovative digital solutions in medical education. 1 In addition to LED principles, learner competence in using virtual tools, appropriate mode of delivery (e.g., synchronous/asynchronous online learning), virtual simulation and virtual reality, as well as a continuous cycle seeking learner feedback and making improvements based on that feedback are crucial aspects of effective teaching through digital interfaces. Conceptually, LED is firmly rooted in a process of learning and continuous improvement. The COVID-19 pandemic has seen a rapid adoption of digital technology in medical education. LED’s focus on experiential learning and human centeredness are important considerations in educational innovation. 2 We believe these are crucial steps in the implementation phase of rapid design thinking. 1 The increased use of virtual tools and the blurred boundaries between work and home can lead to fatigue and burnout. 3,4 LED can help to guide wellness practices and strategies during the rapid upscaling of virtual tools. In a post COVID-19 era, LED must be applied beyond electronic user interfaces to sustain the benefits of design thinking. Emerging technologies such as artificial intelligence and learner analytics will play an important role in future adaptive learning. 5 Virtual tools have a significant role to play in medical education. The application of LED has the potential to increase the quality of learning and thus ensure high-quality medical education during and after the COVID-19 pandemic.

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)0,068
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 enseignants0,033
Score d'incertitude au seuil0,093

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,068
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,003
Communication savante0,0070,007
Science ouverte0,0030,004
Intégrité de la recherche0,0330,043
Charge utile insuffisante (le modèle a refusé de juger)0,0280,021

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 Opus0,046
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'admission1
Résumé présentoui

Explorer davantage

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