COVID-19 and the Digitalisation of Cardiovascular Training and Education—A Review of Guiding Themes for Equitable and Effective Post-graduate Telelearning
Notice bibliographique
Résumé
The coronavirus disease-2019 (COVID-19) pandemic has had an unprecedented impact leading to novel adaptations in post-graduate medical education for cardiovascular and general internal medicine. Whilst the results of initial community COVID-19 vaccination are awaited, continuation of multimodality teaching and training that incorporates telelearning will have enduring benefit to post-graduate education and will place educational establishments in good stead to nimbly respond in future pandemic-related public health emergencies. With the rise in innovative virtual learning solutions, medical educators will have to leverage technology to develop electronic educational materials and virtual courses that facilitate adult learning. Technology-enabled virtual learning is thus a timely progression of hybrid classroom initiatives that are already adopted to varying degrees, with a need for faculty to serve as subject matter experts, to host and moderate online discussions, and to provide feedback and overall mentorship. As an extension from existing efforts, simulation-based teaching (SBT) and learning and the use of mixed reality technology should also form a greater core in the cardiovascular medicine curriculum. We highlight five foundational themes for building a successful e-learning model in cardiovascular and general post-graduate medical training: (1) digital solutions and associated infrastructure; (2) equity in access; (3) participant engagement; (4) diversity and inclusion; and (5) patient confidentiality and governance framework. With digitalisation impacting our everyday lives and now how we teach and train in medicine, these five guiding principles provide a cognitive scaffold for careful consideration of the required ecosystem in which cardiovascular and general post-graduate medical education can effectively operate. With due consideration of various e-learning options and associated infrastructure needs; and adoption of strategies for participant engagement under sound and just governance, virtual training in medicine can be effective, inclusive and equitable through the COVID-19 era and beyond.
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 | 0,010 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».