MétaCan
Menu
Retour à la cohorte
Enregistrement W4210878820 · doi:10.2196/32747

Digital Teaching in Medical Education: Scientific Literature Landscape Review

2022· article· en· W4210878820 sur OpenAlex
Andy Wai Kan Yeung, Emil D. Parvanov, Mojca Hriberšek, Fabian Eibensteiner, Elisabeth Klager, Maria Kletečka-Pulker, Bernhard Rössler, Karl Schebesta, Harald Willschke, Atanas G. Atanasov, Eva Schaden

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJMIR Medical Education · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAnatomy and Medical Technology
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPopularityCitationWeb of scienceComputer scienceCitation analysisMedical educationDigital libraryLibrary scienceMEDLINEWorld Wide WebData scienceMedicinePsychologyPolitical science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Digital teaching in medical education has grown in popularity in the recent years. However, to the best of our knowledge, no bibliometric report to date has been published that analyzes this important literature set to reveal prevailing topics and trends and their impacts reflected in citation counts. OBJECTIVE: We used a bibliometric approach to unveil and evaluate the scientific literature on digital teaching research in medical education, demonstrating recurring research topics, productive authors, research organizations, countries, and journals. We further aimed to discuss some of the topics and findings reported by specific highly cited works. METHODS: The Web of Science electronic database was searched to identify relevant papers on digital teaching research in medical education. Basic bibliographic data were obtained by the "Analyze" and "Create Citation Report" functions of the database. Complete bibliographic data were exported to VOSviewer for further analyses. Visualization maps were generated to display the recurring author keywords and terms mentioned in the titles and abstracts of the publications. RESULTS: The analysis was based on data from 3978 papers that were identified. The literature received worldwide contributions with the most productive countries being the United States and United Kingdom. Reviews were significantly more cited, but the citations between open access vs non-open access papers did not significantly differ. Some themes were cited more often, reflected by terms such as virtual reality, innovation, trial, effectiveness, and anatomy. Different aspects in medical education were experimented for digital teaching, such as gross anatomy education, histology, complementary medicine, medicinal chemistry, and basic life support. Some studies have shown that digital teaching could increase learning satisfaction, knowledge gain, and even cost-effectiveness. More studies were conducted on trainees than on undergraduate students. CONCLUSIONS: Digital teaching in medical education is expected to flourish in the future, especially during this era of COVID-19 pandemic.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,739
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,285
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle