“Influential” Intraoperative Educators and Variability of Teaching Styles
Notice bibliographique
Résumé
OBJECTIVES: Academic surgeons manage their role as intraoperative educators in a variety of ways. Such variability is neither idiosyncratic nor is there a single best approach. This study sought to explore the practices of surgeons deemed influential by their residents, allowing insight into a variety of potentially effective practices. PARTICIPANTS: Constructivist grounded theory guided data collection and analysis. Data sources included surveys from senior surgical residents (PGY3-6) and recent graduates from an academic hospital in Canada (36% response rate), intraoperative observations of teaching interactions, and semi-structured interviews with observed surgeons. Rigour was supported by data triangulation, constant comparison, and collection to theoretical sufficiency. DESIGN: We developed a framework grouping effective teaching into three overlapping approaches: exacting, empowering, and fostering. The approaches differ based on the level of independence granted and the degree of expectation placed on individual residents. Each demonstrates different strategies for balancing the multiple supervisory roles and patient care obligations faced by academic surgeons. We also identified strategies that could be used across approaches to enhance learning. CONCLUSIONS: For surgical educators seeking to improve upon the quality of the intraoperative supervision they provide, frameworks such as this may serve as models of effective supervision. Enhancing surgeons' knowledge of proven strategies, combined with reflecting on how they teach and how they balance responsibilities to patients and trainees, may allow them to broaden their educational practice.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 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 ».