Multiple cases in case‐based learning: A qualitative description study
Notice bibliographique
Résumé
INTRODUCTION: Case-based learning is widely used in health professions education to improve clinical learning, but little is known about how best to approach multiple cases in this active learning strategy. Our study explored dental student views of multiple case-based learning in oral pathology. MATERIALS AND METHODS: Qualitative description informed the study design. Data were collected through semi-structured, individual interviews with twenty-one third- and fourth-year dental students who participated in multiple case-based learning seminars. Data were analysed using inductive, manifest thematic analysis. RESULTS: Themes were identified at approach and case levels. Approach-level themes included preparing students for clinical practice and board exams and maximising exposure (e.g., to lesions/conditions), knowledge application, and engagement within the time allotted for the learning session. Case-level themes included using challenging but manageable cases, linking cases to lecture content, providing the necessary clinical information to solve the cases, and ensuring that cases were authentic and common with non-typical presentations. Aspects of themes encompassed definitions of case characteristics, benefits, conditions of implementation, and recommendations for improvement. CONCLUSION: Cases should be considered individually, collectively, purposefully, and contextually in multiple case-based learning. Evaluations of learning and behavioural outcome are needed to further establish the effectiveness of approaches and case characteristics in multiple case-based learning.
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 | 0,035 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,008 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».