Enseigner en situation de pandémie : La transformation de l’enseignement et de la supervision clinique
Notice bibliographique
Résumé
Introduction: The COVID-19 pandemic is an event that deeply impacts our personal, professional, and collective lives. How do we teach in these times of great upheaval? What are the main changes that have occurred? Method: Using the Cartel logic, four professors and a qualitative researcher carried out an autoethnographic research aimed at documenting the main changes that have occurred in the teaching of family medicine in their respective practices located in four different academic family medicine groups at the University of Sherbrooke. Results: Five key moments in teaching that occurred during a pandemic were identified: a) the declaration of a pandemic, b) the approach with the graduating/advanced cohort of residents, c) the anticipation and preparation for the arrival of new residents, d) arrival of first year residents and e) adaptation to the second wave. For each moment, we present the issues encountered in our care and teaching practices under three transversal relational axes: the relationship of humans to their cultural context, the patient-doctor relationship, and the teacher-resident relationship. Conclusion: Our analysis shows that the transmission of medical knowledge and the art of medicine cannot take place without specific attention to the overall cultural context, the contextual relationship of clinical care, and the teaching relationship. Our study also makes it possible to recommend the opening of spaces for reflection and dialogue in our teaching environments.
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 | 0,013 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,017 | 0,028 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,007 |
| 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 ».