Dental students’ perceptions of the wildcard as a novel teaching technique in case‐based learning
Notice bibliographique
Résumé
OBJECTIVE: Cases used in case-based learning should be realistic, relatively difficult, engaging, and educational to maximize clinical knowledge and skills. Data are needed to support the effectiveness of existing and new techniques to ensure these case attributes. The purpose of this study was to explore dental students' perceptions of the wildcard technique in case-based learning. This novel technique aims to ensure key case attributes by adding new information to the analysis of a case that challenges the initial diagnosis and/or treatment plan. METHODS: Constructivism (paradigm) and interpretative description (approach) informed the study design. Participants were 21 third- and fourth-year dental students who took part in an oral pathology seminar in which the wildcard was employed. Data were collected through individual, semi-structured interviews that were digitally recorded and transcribed verbatim. Inductive, manifest thematic analysis was used to analyze the data. Several verification strategies were implemented to ensure rigor throughout data analysis. RESULTS: Identified themes suggest that students perceived the wildcard as a new scenario that simulated clinical practice regarding settings, situations, conditions, and required skills. They also enjoyed the wildcard and found it effective in terms of knowledge acquisition, skills development, and engagement. Students valued and recommended wildcards that were challenging, authentic, and educational. CONCLUSIONS: Students positively valued the wildcard, which seems to ensure several case attributes. Learning and behavioral outcome evaluations are needed to further establish the effectiveness of the wildcard in case-based learning.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».