The changing landscape in nephrology education in India
Notice bibliographique
Résumé
Digital tools have revolutionized education in nephrology in India. All forms of in-person learning are moving online. Social media have taken over the world, with clinicians learning and promoting multidirectional education methods. E-learning is better equipped to keep up with the rapid pace of new knowledge generation and dissemination. The use of digital multimedia tools to enhance rapid learning is backed by science, viz., dual-coding theory. Digital tools such as Twitter, blogs, podcasts, YouTube, and Nephrology Simulator (NephSIM) have had an impact in facilitating nephrology education among medical professionals and the general public. Digital tools, such as NephMadness, have resulted in the gamification of nephrology learning. Social media usage by the nephrology community in India is growing at a rapid pace. Everyday Cases in Nephrology (#ECNeph), a monthly Twitter-based discussion focused on academically challenging clinical cases, has its origins in India. The Women in Nephrology, India (WIN-India) initiative is very active in facilitating digital education in India and has, in a short space of time, created phenomenal momentum. Furthermore, non-governmental organizations in India, such as the Kidney Warriors Foundation and the Multi Organ Harvesting Aid Network (MOHAN) Foundation, have successfully tapped into social media to educate and aid kidney disease patients. All technologies come with some drawbacks. Despite their acceptance and validation, digital tools have their own pitfalls. These relate to (1) accessibility and connectivity, (2) accuracy of the scientific information, (3) social media noise, and (4) patient privacy. All pitfalls of digital education can be addressed by avoiding excessive social media overload and adopting an appropriate peer-review process. It is advisable to seek written consent from patients whenever patient data are posted online, to avoid privacy issues.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,010 | 0,004 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».