On the challenges of embedding assessments of self-regulated learning into licensure activities in health professions education
Notice bibliographique
Résumé
How can we claim that we are creating "lifelong learners" if we are not embedding assessments of self-regulated learning (SRL) into health professions education (HPE)? A good question but one that we must not try to answer too hastily. Some may consider SRL to be such an important competency that failing to assess it disservices everyone involved in HPE, including patients. I would argue that assessment of SRL may well be justified, but that how it is measured, what we might find, and what the implications of those findings might be, are equally critical to consider. The fact is that learners in HPE face many pressures that influence not just the quantity but also the quality of their self-regulation towards learning, which measures of SRL would have to account for, to be effective. Drawing on the self-regulation literature and self-determination theory (SDT) in particular, my aim in the present commentary is to discuss some of the nuances and issues that we would need to address, if we were to move towards a unified approach to assessing SRL in HPE.
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 | 0,197 | 0,434 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,010 | 0,075 |
| Communication savante | 0,020 | 0,026 |
| Science ouverte | 0,012 | 0,013 |
| Intégrité de la recherche | 0,026 | 0,050 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».