MétaCan
Menu
Retour à la cohorte
Enregistrement W3135332890 · doi:10.1097/acm.0000000000004035

Learning in a Pandemic

2021· article· en· W3135332890 sur OpenAlexaff
Fizza Manzoor

Notice bibliographique

RevueAcademic Medicine · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueEmpathy and Medical Education
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésEnthusiasmPandemicCompetence (human resources)Coronavirus disease 2019 (COVID-19)Medical knowledgeSentencePsychologyMedical educationMedicineDiseaseSocial psychologyInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

To the Editor: Being a learner in medicine can feel like being in a constant—and sometimes disillusioning—state of catch-up. My relationship with learning in medical school was fragile. I questioned the superficial mnemonics, the esoteric medical trivia, the fascination with minutiae—medallions of competence that amplified knowledge differentials between neophytes and experts. There was too much fragmented information, often received all at once and sometimes lacking in clinical relevance. This knowledge felt like a privileged exorbitant excess that I struggled to master even as I finished medical school. Then, suddenly, we all became learners during the COVID-19 pandemic. When everyone knows very little about a disease, there is a peculiar equalization between the novice trainee and the expert clinician. Sheltered at home, I observed how medical journals and discussions became unusually lively and diverse—laden with uncertainty, debate, and enthusiasm. Even as a student, I could participate in a collective understanding of an invisible illness. There was a palpable sense of connection as we navigated an unfamiliar path of accelerated discovery together. It is delicately exciting to be at the brink of discovery. But with highs come deep lows, and for the first time, I understood how effortful it is build the knowledge and evidence necessary to rigorously support a single sentence in a medical textbook. The entire profession of medicine—physicians and trainees alike—watched, rapt, as vaccines for an enigmatic virus were trialed and failed. As pharmacology of cures was embraced and disputed. As public health efforts steered in dizzying directions. As neglected social inequities and their suffocating hold on public health were magnified. While all this unfolded, the same detailed medical knowledge that once seemed onerous to me became a new foundation for evolving clinical practice. I spent my medical school years trudging through clinical knowledge, feeling troubled by its magnitude yet hoping that studying it all might be enough one day. Lifelong learning, of course, seemed necessary but felt like a remote habit that might be relevant years after graduation. A pandemic nudges change. For me, this pandemic helped inspire newfound gratitude for the arduous nature of discovery, the privilege of collective scholarship, and the necessity of humble perspective in meaningful learning. Acknowledgments: The author would like to thank her mentor Donald Redelmeier for continuing to inspire curiosity, optimism, and integrity as a learner.

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)0,004
score de la tête « metaresearch » (Gemma)0,036
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,048

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,036
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0030,003
Communication savante0,0060,005
Science ouverte0,0030,002
Intégrité de la recherche0,0160,025
Charge utile insuffisante (le modèle a refusé de juger)0,0140,005

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 Opus0,047
Tête enseignante GPT0,376
Écart entre enseignants0,329 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademic MedicineMême sujetEmpathy and Medical EducationTravaux en français237 207