Making it stick: use of active learning strategies in continuing medical education
Notice bibliographique
Résumé
BACKGROUND: Despite the known benefits of active learning (AL), the predominate educational format in higher education is the lecture. The reasons for slow adaptation of AL in medical education are not well understood. The purpose of this survey was to determine knowledge, usage, attitudes, and barriers to AL use in academic Continuing Medical Education (CME). METHOD: A 20-item questionnaire was developed and sent with a link to an online questionnaire to the Society of Academic Continuing Medical Education (SACME) listserv of ~ 350 professionals representing academic medical centers, teaching hospitals, and medical specialty societies in the United States (U.S.) and Canada. Responses were collected with SurveyMonkey® from October-November, 2019. Data were analyzed using SPSS®. RESULTS: Responses from 146 SACME members in 91 CME units yielded a ~ 42% survey response rate. Many respondents reported their self-perceived knowledge of AL as high. Advanced training (e.g., certificate, Master of Education degree) was positively correlated with AL knowledge. AL methods were reportedly used in half of the CME activities in the majority (80%) of institutions. Higher levels of self-perceived knowledge were correlated with an increased percentage of AL-related CME activities. Commonly perceived barriers to use of AL were presenters' lack of familiarity and a need for more time-consuming preparation. CONCLUSIONS: More efforts are needed to increase innovation and incorporate evidence-based AL strategies in medical education, especially to foster learner engagement, critical thinking, and problem-solving ability.
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 | 0,008 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».