In-Person or Online? The Effect of Delivery Mode on Team-Based Learning of Clinical Reasoning in a Family Medicine Clerkship
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.
Notice bibliographique
Résumé
In health professions education, team-based learning (TBL) has been used to help learners develop clinical reasoning and decision-making skills. The COVID-19 pandemic has challenged institutions to move curriculum delivery from largely in-person to online. With the anticipated return to in-person instruction and arguments made in favor of online instruction in certain circumstances, evidence is needed to support decision making in curriculum planning. The purpose of this study was to examine the effect of delivery mode (in-person vs. online) on student learning of clinical reasoning and clinical decision-making (CR/CDM) in the family medicine clerkship. Data from three cohorts of third-year medical students were included in the study: 2018/2019 cohort, in-person; 2019/2020 cohort, half of the cohort in-person, half of the cohort online; 2020/2021 cohort, online. Students' performance data-individual readiness assurance test (IRAT) and group readiness assurance test (GRAT) scores-were used. The Generalized Estimating Equations (GEE) analysis was performed. As expected, students scored higher in GRAT than IRAT across the three cohorts. No significant IRAT-GRAT differences were observed between in-person and online delivery of TBL sessions. Student learning of CR/CDM in TBL is comparable between the two modes of delivery in the family medicine clerkship. Future research in other clerkships, years of medical education, and professional programs is needed to inform decision making regarding the TBL delivery mode.
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 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 | 0,014 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle