Concept mapping toward competency: Teaching and assessing undergraduate evidence‐informed practice
Notice bibliographique
Résumé
Abstract Background Undergraduate students in healthcare professions need to develop critical thinking skills in order to be prepared to deliver patient‐centered high‐quality care upon graduation. The new Canadian Athletic Therapy Association (CATA) competency framework includes a “scholar” role, placing emphasis on knowledge and skills related to evidence‐informed practices (EIP). Educators are expected to develop their student's EIP skills; however, little is known about the optimal educational approaches to accomplish this task. The study objective was to examine concept mapping as a teaching and learning strategy to deepen the understanding of EIP and examine the validity and reliability of a concept mapping scoring rubric. Method A concept mapping approach to teaching EIP was piloted in an upper‐level research methods and statistics course. Students ( N = 15) participated in a pretest post‐test concurrent nested mixed‐method intervention study that analyzed the impact of concept mapping on students' understanding of EIP and assessed initial validity and reliability of the grading rubric. Results Students demonstrated a deeper understanding of EIP and its relationship to healthcare practice following the concept mapping activity compared to a note‐taking activity (Cohen's d = 1.79). The concept mapping rubric used to assess EIP competence demonstrated strong construct validity and content validity with moderate inter‐rater reliability. Conclusions Employing the concept mapping technique as a teaching and learning tool proved to be effective to teach EIP principles and concepts based on student grades. An analytic rubric method was found valid and reliable for grading student concept maps underpinning EIP competency.
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 | 0,009 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».