Notice bibliographique
Résumé
Dans cette publication, Jalali et coll.explorent l'efficacité de Twitter et des médias sociaux dans le contexte de l'enseignement médical par le biais d'une observation ethnographique et d'une analyse documentaire.Ils rendent compte des effets positifs potentiels que les médias sociaux offrent à l'éducation, des possibilités de développement futur et des recommandations pour des études ultérieures. ENTRETIEN AVEC LA DRE KORI LADONNADans cette entrevue, la Dre LaDonna partage son cheminement de carrière, ses objectifs de recherche et ses perspectives sur l'éducation médicale.Des réflexions sur les rôles CanMEDS, sur ce que nous pouvons faire contre le syndrome de l'imposteur et sur l'avenir de l'éducation médicale sont partagées dans ce dialogue honnête et réfléchi.Au Journal médicale de l'Université d'Ottawa, nous sommes impatients de voir les changements qui seront mis en œuvre en 2023, alors que notre communauté médicale continue de s'interroger, de réfléchir et d'innover.Au nom de l'équipe du Journal de l'Université d'Ottawa, je vous souhaite le meilleur dans vos recherches et votre pratique, et j'espère que vous apprécierez la lecture de ce numéro.
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 | 0,012 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,036 |
| Communication savante | 0,017 | 0,021 |
| Science ouverte | 0,002 | 0,020 |
| Intégrité de la recherche | 0,008 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,013 |
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 ».