52 Cultivating Learner-centeredness in a Time of Rupture: Lessons from the Shift to Virtual Pediatric Academic Half Day during the COVID-19 Pandemic
Notice bibliographique
Résumé
Abstract Primary Subject area Medical Education Background The COVID-19 pandemic has significantly disrupted the postgraduate learning environment. In light of public health recommendations and the need to offer safe learning environments, many programs have drawn upon virtual technologies to continue delivery of formal academic curricula. Despite widespread use, however, little is currently known as to how trainees view these changes. Objectives The authors sought to explore resident perceptions on the COVID-19-influenced shift from in-person to virtual academic half day (AHD) delivery. Design/Methods A cross-sectional survey was created and distributed to 51 pediatric residents who participated in virtual AHD at a university-affiliated Canadian program distributed across three sites, from March to June 2020. Survey responses were obtained confidentially through a secure, online platform (REDCap). Descriptive statistics and inductive thematic analysis were used to analyze responses to close-ended questions and narrative comments, respectively. Results Response rate was 60.8%. Residents reported statistically significant improvement in their attitudes towards virtual AHD across all metrics collected. Areas most strongly rated included increased trainee engagement and overall satisfaction with virtual delivery, in part due to increased relevance of content. Factors enabling participation included educationally safe interactions and a more comfortable and flexible learning environment. Conclusion These results suggest that the transition to virtual AHD was generally well received. During an uncertain time, when trainee vulnerability is heightened, the need to explicitly attend to educational issues of relevance, engagement, safety, and comfort are crucial. Further, given the rapid and reactive pivots to new curricular strategies in the wake of COVID-19, it is incumbent upon programs to incorporate resident feedback to ensure a learner-centred environment is maintained.
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 | 0,007 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».