Co-creating scholarship through collaborative writing in health professions education: AMEE Guide No. 143
Notice bibliographique
Résumé
This AMEE guide provides a robust framework and practical strategies for health professions educators to enhance their writing skills and engage in successful scholarship within a collaborative writing team. Whether scholarly output involves peer-reviewed articles, book chapters, blogs and online posts, online educational resources, collaborative writing requires more than the usual core writing skills, it requires teamwork, leadership and followership, negotiation, and conflict resolution, mentoring and more. Whilst educators can attend workshops or courses to enhance their writing skills, there may be fewer opportunities to join a community of scholars and engage in successful collaborative writing. There is very little guidance on how to find, join, position oneself and contribute to a writing group. Once individuals join a group, further questions arise as to how to contribute, when and whom to ask for help, whether their contribution is significant, and how to move from the periphery to the centre of the group. The most important question of all is how to translate disparate ideas into a shared key message and articulate it clearly. In this guide, we describe the value of working within a collaborative writing group; reflect on principles that anchor the concept of writing as a team and guide team behaviours; suggest explicit strategies to overcome challenges and promote successful writing that contributes to and advances the field; and review challenges to starting, maintaining, and completing writing tasks. We approach writing through three lenses: that of the individual writer, the writing team, and the scholarly product, the ultimate goal being meaningful contributions to the field of Health Professions 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 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 | 0,010 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».