TEAM-BASED LEARNING VS LECTURE-BASED LEARNING IN MEDICAL EDUCATION
Notice bibliographique
Résumé
Objective: The objective of the study is to determine better mode of learning for medical graduates by comparing team-based learning (TBL) and lecture-based learning methods. Study Design: Comparative analytical study. Place and Duration of Study: Surgical Ward 25 of Endocrine and General surgery, Jinnah Postgraduate Medical Center, Karachi, in April 2019. Methodology: This comparative study was based on the principles of TBL; the control program used the traditional lecture-based approach. Both programs were aimed at investigating the knowledge and performance of the two groups. Thirty surgical interns were included in this study. Two groups were made by random selection of surgical interns, 15 in TBL group and other 15 in traditional teaching group. TBL group (Group A) was given the topic of thyroid diseases for self-study followed by 1 h discussion amongst the group members. Lecture-based group (Group B) was given 1 h powerpoint presentation on similar topic. As the main outcome measures, questionnaire containing twenty best choice questions was given to both groups. Performance of the two groups was checked and results calculated as total, average, and standard deviation. Results: Group A participants’ total score (147) was higher than Group B (131) but the p-value was not found to be significant (0.144). Conclusion: Both forms of learning methods are effective and productive in medical education.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».