The erosion of ambiguity tolerance and sustainment of perfectionism in undergraduate Medical training: A study of clerkship training effects.
Notice bibliographique
Résumé
Abstract Background: Medicine is a field that is simultaneously factual and ambiguous. While studies have examined medical trainees’ tolerance of ambiguity (TOA), the extent to which TOA is affected by clinical experiences and its association with perfectionism is unknown. Methods: This was a multiple sampling, single cohort study of students in their first year of clinical clerkship which is comprised of 6 core rotations. Consenting students completed an online anonymous survey assessing their tolerance of ambiguity (TOA) and perfectionism in their first (pre) and last (post) 12 weeks of their clinical clerkship year. Tolerance of Ambiguity in Medical Students and Doctors (TAMSAD) and The Big Three perfectionism scale-short form (BTPS-SF) were used to assess TOA and perfectionism respectively. Pre-Post mean comparisons of TOA and perfectionism were assessed via t-tests. Results: From a total possible sample of 174 clinical clerkship students, 51 students responded to pre-survey, 62 responded to post-survey. Clerkship was associated with a significant decrease in TOA (p=0.00) with mean pre-TOA scores of 59.57 and post TOA of 43.8. Perfectionism scores were not significantly different over time (p>0.05). There was a moderate inverse correlation between TOA and perfectionism before clerkship (r=0.32) that increased slightly after clerkship (r=0.39). Those preferring primary care specialties had significantly lower rigid and total perfectionism scores in pre-clerkship than those choosing other specialties, but this difference was not found post-clerkship. Conclusion: We hypothesize that the decrease in TOA seen in this study may reflect an underlying anxiety cycle related to frequent rotation changes. Implications of the role of perfectionism and primary care is discussed. Overall these results require further investigation to better characterize the role of clinical exposure on TOA.
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 | 0,002 | 0,010 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».