Ten ways to get a grip on designing and implementing a competency-based medical education training program
Notice bibliographique
Résumé
BACKGROUND: Globally there is a move to adopt competency-based medical education (CBME) at all levels of the medical training system. Implementation of a complex intervention such as CBME represents a marked paradigm shift involving multiple stakeholders. METHODS: This article aims to share tips, based on review of the available literature and the authors' experiences, that may help educators implementing CBME to more easily navigate this major undertaking and avoid "black ice" pitfalls that educators may encounter. RESULTS: Careful planning prior to, during and post implementation will help programs transition successfully to CBME. Involvement of key stakeholders, such as trainees, teaching faculty, residency training committee members, and the program administrator, prior to and throughout implementation of CBME is critical. Careful and selective choice of key design elements including Entrustable Professional Activities, assessments and appropriate use of direct observation will enhance successful uptake of CBME. Pilot testing may help engage faculty and learners and identify logistical issues that may hinder implementation. Academic advisors, use of curriculum maps, and identifying and leveraging local resources may help facilitate implementation. Planned evaluation of CBME is important to ensure choices made during the design and implementation of CBME result in the desired outcomes. CONCLUSION: Although the transition to CBME is challenging, successful implementation can be facilitated by careful design and strategic planning.
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 | 0,231 | 0,147 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,019 | 0,055 |
| Communication savante | 0,031 | 0,035 |
| Science ouverte | 0,009 | 0,026 |
| Intégrité de la recherche | 0,013 | 0,030 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 ».