Field note use in family medicine residency training: learning needs revealed or avoided?
Notice bibliographique
Résumé
BACKGROUND: Field notes (FNs) are used in Family Medicine residency programs to foster reflective learning and facilitate formative assessment. Residents assess their strengths and weaknesses and develop action plans for further improvement. This study explored the use of FNs in the University of Manitoba's Family Medicine residency program 5 years after their implementation. METHODS: This multi-method study examined 520 FNs from 16 recent graduates from the University of Manitoba Family Medicine residency program. Quantitative analysis (frequencies and means) enabled descriptions and comparisons between training sites. Four themes emerged from inductive content analysis highlighting common ideas reflected upon. RESULTS: Residents displayed cyclical variation in the FN generation over 2 years. Eight of the 99 Priority Topics (addressing complex psychosocial issues) were not captured in this data set. The domains of Care of First Nations, Inuit, and Metis; Care of the Vulnerable and Underserved; and Behavioural Medicine and the CanMEDS-FM roles of FM - Procedural Skill, Leader/Manager, and Professional were less frequently reflected upon. Four themes (Patient-Centered Care, Patient Safety, Achieving Balance, and Confidence) were identified from qualitative analysis of residents' narrative notes. CONCLUSIONS: Vygotsky's Sociocultural Theory of Cognitive Development was proposed as a lens through which to examine factors influencing resident learning. Residents' discomfort with certain topics may lead to avoidance in reflecting upon certain competencies in FNs, impacting skill acquisition. Further research should explore factors influencing residents' perceptions FNs and how to best assist residents in becoming competent, confident practitioners.
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 | 0,002 | 0,169 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».