The Use of Telegram in Surgical Education: Exploratory Study
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has disrupted medical education, shifting learning online. Social media platforms, including messaging apps, are well integrated into medical education. However, Telegram's role in medical education remains relatively unexplored. OBJECTIVE: This study aims to explore the perceptions of medical students regarding the role of messaging apps in medical education and their experience of using Telegram for surgical education. METHODS: A Telegram channel "Telegram Education for Surgery Learning and Application (TESLA)" was created to supplement medical students' learning. We invited 13 medical students who joined the TESLA channel for at least a month to participate in individual semistructured interviews. Interviews were conducted via videoconferencing using an interview guide and were then transcribed and analyzed by 2 researchers using inductive thematic content analysis. RESULTS: Two themes were identified: (1) learning as a medical student and (2) the role of mobile learning (mLearning) in medical education. Students shared that pandemic-related safety measures, such as reduced clinic allocations and the inability to cross between wards, led to a decrease in clinical exposure. Mobile apps, which included proprietary study apps and messaging apps, were increasingly used by students to aid their learning. Students favored Telegram over other messaging apps and reported the development of TESLA as beneficial, particularly for revision and increasing knowledge. CONCLUSIONS: The use of apps for medical education increased during the COVID-19 pandemic. Medical students commonly used apps to consolidate their learning and revise examination topics. They found TESLA useful, relevant, and trustworthy.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,002 | 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 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 ».