Role models and teachers: medical students perception of teaching-learning methods in clinical settings, a qualitative study from Sri Lanka.
Notice bibliographique
Résumé
Background Medical education research in general, and those focusing on clinical settings in particular, have been a low priority in South Asia. This explorative study from 3 medical schools in Sri Lanka, a South Asian country, describes undergraduate medical students’ experiences during their final year clinical training with the aim of understanding the teaching-learning experiences. Methods Using qualitative methods we conducted an exploratory study. Twenty eight graduates from 3 medical schools participated in individual interviews. Interview recordings were transcribed verbatim and analyzed using qualitative content analysis method. Results Emergent themes revealed 2 types of teaching-learning experiences, role modeling, and purposive teaching. In role modelling, students were expected to observe teachers while they conduct their clinical work, however, this method failed to create positive learning experiences. The clinical teachers who predominantly used this method appeared to be ‘figurative’ role models and were not perceived as modelling professional behaviors. In contrast, purposeful teaching allowed dedicated time for teacher-student interactions and teachers who created these learning experiences were more likely to be seen as ‘true’ role models. Students’ responses and reciprocations to these interactions were influenced by their perception of teachers’ behaviors, attitudes, and the type of teaching-learning situations created for them. Conclusions Making a distinction between role modeling and purposeful teaching is important for students in clinical training settings. Clinical teachers’ awareness of their own manifest professional characterizes, attitudes, and behaviors, could help create better teaching-learning experiences. Moreover, broader systemic reforms are needed to address the prevailing culture of teaching by humiliation and subordination.
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 | 0,011 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,007 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».