Favoriser le développement du raisonnement clinique des étudiants en médecine : une démarche d’amélioration
Notice bibliographique
Résumé
Contexte et problématique : La littérature scientifique récente nous force à constater que les étudiants en médecine rencontrent des difficultés pour développer leurs raisonnement clinique. De plus, il semblerait qu’ils gagnent à être stimulés afin de raisonner. Or, ils manquent d’opportunités et de ressources pédagogiques à cet effet. Comment encourager et rendre accessible l’apprentissage du raisonnement clinique, aux étudiants en médecine ? Buts : Présenter les réflexions qui ont conduit à la création d’un nouvel outil pédagogique numérique, visant à favoriser le développement du raisonnement clinique dans le contexte de soins, chez les étudiants de la faculté de médecine à l’Université de Genève. Description de l’innovation : Nous avons développé une vidéo reprenant une consultation médicale complète, exposant explicitement le raisonnement clinique du médecin durant l’anamnèse et l’examen physique. Nous dévoilons le « pourquoi » qui se cache derrière les questions et les gestes de l’examen clinique, et mettons ainsi du sens sur chaque parole et geste du médecin, lors d’une consultation. Conclusion : La valeur des connaissances des étudiants réside dans leur capacité à se les approprier, les exploiter et les réinvestir avec justesse dans une intervention clinique. Notre outil permet de soutenir l’apprentissage précoce du raisonnement clinique afin de permettre aux étudiants de mettre en valeur leurs connaissances en les exploitants de manière pertinente.
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 | 0,054 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,015 |
| Communication savante | 0,017 | 0,014 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».