Using a Scenario-Based Approach to Teaching Professionalism to Medical Students: Course Description and Evaluation
Notice bibliographique
Résumé
BACKGROUND: Doctors play a key role in individuals' lives undergoing a holistic integration into local communities. To maintain public trust, it is essential that professional values are upheld by both doctors and medical students. We aimed to ensure that students appreciated these professional obligations during the 3-year science-based, preclinical course with limited patient contact. OBJECTIVE: We developed a short scenario-based approach to teaching professionalism to first-year students undertaking a medical course with a 3-year science-based, preclinical component. We aimed to evaluate, both quantitatively and qualitatively, student perceptions of the experience and impact of the course. METHODS: An interactive professionalism course entitled Entry to the Profession was designed for preclinical first-year medical students. Two scenario-based sessions were created and evaluated using established professionalism guidance and expert consensus. Quantitative and qualitative feedback on course implementation and development of professionalism were gathered using Likert-type 5-point scales and debrief following course completion. RESULTS: A total of 70 students completed the Entry to the Profession course over a 2-year period. Feedback regarding session materials and logistics ranged from 4.16 (SD 0.93; appropriateness of scenarios) to 4.66 (SD 0.61; environment of sessions). Feedback pertaining to professionalism knowledge and behaviors ranged from 3.11 (SD 0.99; need for professionalism) to 4.78 (SD 0.42; relevance of professionalism). Qualitative feedback revealed that a small group format in a relaxed, open environment facilitated discussion of the major concepts of professionalism. CONCLUSIONS: Entry to the Profession employed an innovative approach to introducing first-year medical students to complex professionalism concepts. Future longitudinal investigations should aim to explore its impact at various stages of preclinical, clinical, and postgraduate training.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».