Blind spots in medical education: how can we envision new possibilities?
Notice bibliographique
Résumé
As human beings, we all have blind spots. Most obvious are our visual blind spots, such as where the optic nerve meets the retina and our inability to see behind us. It can be more difficult to acknowledge our other types of blind spots, like unexamined beliefs, assumptions, or biases. While each individual has blind spots, groups can share blind spots that limit change and innovation or even systematically disadvantage certain other groups. In this article, we provide a definition of blind spots in medical education, and offer examples, including unfamiliarity with the evidence and theory informing medical education, lack of evidence supporting well-accepted and influential practices, significant absences in our scholarly literature, and the failure to engage patients in curriculum development and reform. We argue that actively helping each other see blind spots may allow us to avoid pitfalls and take advantage of new opportunities for advancing medical education scholarship and practice. When we expand our collective field of vision, we can also envision more "adjacent possibilities," future states near enough to be considered but not so distant as to be unimaginable. For medical education to attend to its blind spots, there needs to be increased participation among all stakeholders and a commitment to acknowledging blind spots even when that may cause discomfort. Ultimately, the better we can see blind spots and imagine new possibilities, the more we will be able to adapt, innovate, and reform medical education to prepare and sustain a physician workforce that serves society's needs.
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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 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 ».