A Mixed-Methods, Validity Informed Evaluation of a Virtual OSCE for Undergraduate Medicine Clerkship
Notice bibliographique
Résumé
Background: Pandemic-related learning environment disruptions have threatened clinical skills development and assessment for medical students and prompted a shift to virtual objective structured clinical examinations (vOSCEs). This study explores the benefits/limitations of vOSCEs from the perspective of key stakeholders and makes recommendations for improving future vOSCEs. Materials and Methods: Using a mixed-methods, utilization-focused program evaluation, we looked at feasibility and implementation evidence that addresses content, response process, and feasibility as per Messick’s validity framework. The analysis of test data was reviewed to inform reliability, acceptability, and consequential validity. A 14-question online survey was sent to both students and faculty followed by stakeholder focus groups. Descriptive statistics were collected, and deidentified transcripts independently reviewed and analyzed via constant, comparative, and descriptive thematic analysis. Results: The survey results showed the vOSCE was a feasible option for assessing history-taking, clinical reasoning, and counseling skills. Limitations were related to assessing subtle aspects of communications skills, physical examination competencies, and technical disruptions. Beyond benefits and drawbacks, major qualitative themes included recommendations for faculty development, technology limitations, professionalism, and equity in the virtual environment. The reliability of the six vOSCE stations reached a satisfactory level with a G-coefficient of 0.51/0.53. Conclusions: The implementation of a virtual, summative clerkship OSCE demonstrated adequate validity evidence and feasibility. The key lessons learned relate to faculty development content and ensuring equity and academic integrity. Future study directions include examining the role of vOSCEs in the assessment of virtual care competencies and the larger role of OSCEs in the context of workplace-based assessment and competency-based medical education.
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 | 0,122 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 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 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 ».