Staying Online in Uncertain Times: A Nationwide Canadian Survey of Pathology Resident Uses of and Adaptations to Online Learning During COVID-19
Notice bibliographique
Résumé
CONTEXT.—: Because of restrictions as a result of the COVID-19 pandemic, medical educators rapidly transitioned to an online curriculum for pathology resident education. The benefits and challenges of the shift to online learning, as well as strategies to maximize learning, are yet to be fully elucidated. OBJECTIVE.—: To assess learner perception and satisfaction with the move to online learning. Understanding the benefits of online learning will allow future curricular changes to most effectively incorporate online learning. Understanding the common challenges will allow our current learning strategies to rapidly adapt and ideally mitigate these challenges as online learning is incorporated into medical education. DESIGN.—: This was a survey-based study distributed by email to pathology residents nationwide in Canada in anatomic pathology, general pathology, neuropathology, and hematopathology. Thirty residents participated, from anatomic pathology (n = 23; 76%), from general pathology (n = 5; 16%), and 1 participant each from hematopathology and neuropathology. RESULTS.—: All participants indicated that their program had transitioned to online learning at least in part. The majority of participants (n = 16; 53%) did not feel their pathology education was negatively affected by the transition to online learning; however, a significant minority (n = 6; 20%) felt their education had been negatively affected. Convenience and less intimidation were rated as benefits of online learning. Negative effects included technical issues and decreased engagement; we identified a number of strategies used by programs and pathology residents to mitigate these negative effects. CONCLUSIONS.—: Our survey points to a need to use adaptations and best-practice recommendations to maximize the benefits of online learning moving forward.
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 | 0,002 | 0,006 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».