How Do Students Enact Group Reasoning Within Online Interprofessional Education?
Notice bibliographique
Résumé
Background: The capability of an interprofessional healthcare team to reach a shared understanding through group reasoning is critical to good healthcare delivery. Models for clinical reasoning have proved useful but remain focused on individual cognitive processes. Whilst interprofessional education has steadily gained real-world traction, it is unclear how interprofessional student groups practice group reasoning when performing online tasks. Method: We analyzed the group reasoning processes with two teams of health professional students in an online interprofessional education task (n = 13). Two simulated interprofessional team meetings about a palliative case were audio recorded, transcribed, and deductively analyzed to determine the mechanisms of team deliberation using a previously published study of group reasoning.Results: The reasoning mechanisms outlined in a previous study (informationaccumulating, sense-making, and decision-making) were evident in an analysis of student group reasoning. In particular, students focused on sharing and agreeing on information, and to a lesser extent, recording information. Conclusion: Attention to the mechanisms of action may be useful to facilitate teaching interprofessional reasoning. Group reasoning may benefit from focusing student attention on these stages: 1) prioritizing and sequencing of options, methods for exposing agreement about shared information, shared understanding of the situation, and options; 2) techniques for critically evaluating information so that opportunities arise to identify when information may disrupt existing understandings; and 3) development of documentation tools to assist recording of the process.
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 | 0,042 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».