Does the Implementation of Competency-Based Medical Education Impact the Quality of Narrative Feedback? A Retrospective Analysis of Assessment Data in a Canadian Internal Medicine Residency Program
Notice bibliographique
Résumé
Background: As training programs implement competency-based models of training oriented around entrustable professional activities (EPAs), the role of traditional assessment tools remains unclear. While rating scales remain emphasized, few empirical studies have explored the utility of narrative comments between methods and models of training. Objective: Compare the quality of narrative comments between in-training evaluation reports (ITERs) and workplace-based assessments (WBAs) of EPAs before and after the formal implementation of a competency-based model of training. Methods: Retrospective analysis of assessment data from 77 residents in the core Internal Medicine (IM) residency program at the University of Calgary between 2015 and 2020, including data collected during a 2-year pilot of WBAs before the official launch of Competency by Design on July 1, 2019. The quality of narrative comments from 2,928 EPAs and 3,608 ITERs was analyzed using the standardized Completed Clinical Evaluation Report Rating (CCERR). Results: CCERR scores were higher on EPAs than ITERs [F (26,213) = 210, MSE = 4,541, p < 0.001, η 2 = 0.064]. CCERR scores for EPAs decreased slightly upon formal implementation of Competence by Design but remained higher than the CCERR scores for ITERs completed at that period of time. Conclusions: The quality of narrative comments may be higher on EPAs than traditional ITER evaluations. While programmatic assessment requires the use of multiple tools and methods, programs must consider whether such methods lead to complementarity or redundancy.
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 | 0,008 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».