Opening Editorial: Selection and Recruitment in Medical Education
Notice bibliographique
Résumé
There is over a century of research on selection and recruitment and the field has both developed and expanded significantly over this time. Previous research has tended to focus on reviewing the effectiveness of selection methods (academic records, references, personal statements, aptitude tests, personality assessments, situational judgement tests, and interviews), where good quality evidence is now emerging. Many challenges remain however, reflecting that selection and recruitment into medical education (both undergraduate and postgraduate) is a complex, multi-dimensional, dynamic phenomenon. For example, issues regarding diversity and fairness in selection have been researched over many years but there remains a huge gap between the research evidence and policy enactment in many parts of the globe. In this opening editorial for our special issue on selection and recruitment in medical education we encourage authors to consider six key question areas (amongst others), including: how will technology (e.g. social media, big data, artificial intelligence, etc) influence selection research and practices in future? should selection criteria be reviewed to include creativity, innovation, resilience and adaptability (beyond heavy reliance on prior academic attainment as the main criterion)? is selection for medical education fair? How do we address issues regarding widening participation and diversity in practice? to what extent do political, cultural and social factors influence selection philosophy and policies internationally? what are the risks to effective selection (e.g. access to coaching, legal challenge of poor practices) and, a new Ottawa consensus on selection and recruitment has been published - to what extent does this statement reflect your experiences of designing and implementing selection systems in your locality? In contributing to the debate, this special issue provides a platform for authors to present the latest research, empirical studies, systematic reviews, reflections, case studies and practical tips on current/future issues in selection and recruitment in 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 | 0,026 | 0,119 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,008 |
| Communication savante | 0,018 | 0,008 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,022 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,015 |
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 ».