Technology readiness of medical students and the association of technology readiness with specialty interest
Notice bibliographique
Résumé
Background: Technology readiness (TR) is a construct which characterizes an individual’s propensity to utilize new technology. Despite increased technology use in healthcare, limited data exists on medical student TR and the relation of TR with specialty interest. This study assesses the TR of 2nd year medical students and its association with specialty interest. Methods: Respondents completed a survey assessing their most preferred specialty, specialty interests, and technology readiness using a 5-point Likert scale. Using Chi-square analysis, we examined the relation between demographics, TR, and specialty interest. Results: This study obtained a 45.7% (n = 53/116) response rate demonstrating that 79.2% (n = 42/53) of students were “technology ready.” Male students were more likely to be technology ready (95.2%, n = 20/21, vs 68.8%, n = 22/32, p = 0.02) when compared to female students. Technology ready students were associated with being more interested in “Technology-Focused” specialties compared to students who were not technology ready (88.5%, n = 23/26 vs 70.4%, n = 19/27, p = 0.104). Conclusions: As a cohort, most medical students were technology ready. It is inconclusive if technology ready students are more likely to be interested in technology-focused specialties due to the limited sample size of this study, although with an increased sample size, an improved understanding on technology readiness and its potential impact on student specialty interest may be obtained. Furthermore, knowledge of TR may aid in developing targeted technology-based education programs and in improving remedial approaches for students who are less comfortable with new technology.
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 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».