MétaCan
Menu
Retour à la cohorte
Enregistrement W4327546773 · doi:10.1080/0142159x.2023.2184235

Clinical support during COVID-19: An opportunity for service and learning? A cross-sectional survey of UK medical students

2023· article· en· W4327546773 sur OpenAlexaff
Matthew H V Byrne, Jonathan C. M. Wan, Megan E. L. Brown, Anmol Arora, Anna Harvey, James Ashcroft, Andrew D. Clelland, Siena Hayes, Florence Kinder, Catherine Dominic, Aqua Asif, Rosie Freer, Arjun Lakhani, Samuel Pace, Nicholas Schindler, Cecilia Brassett, Bryan Burford, Gillian Vance, Rosemary Freer, Soham Bandyopadhyay, Rachel Allan, Laith Alexander, Vigneshwar Raj, Aleksander Dawidziuk, S Sravanam, Michal Kawka, Adam Vaughan, Oliver Devine, Jasper Mogg, Ailsa McKinlay, Aimee Wilkinson, Amy X Li, Beth Jones, Beth Selwyn, Dania Badran, Éabha Lynn, Eleanor Deane, Elif Gecer, Emily Murphy, Francis Beynon, Jane E. Harding, Khadeeja Mustafa, Lukschana Senathirajah, Malvika Subramaniam, Marina Politis, Martin Carr, Megan O’Doherty, Naomi Slater, Nicholas M. Kelly, O. Lee, Paaras Doshi, Rebecca S Bates, Robyn Spibey, Samantha Green, Simon Rey, Srishti Sarkar, Thomas Franchi, William Cambridge, Abu Sufian, Akosua Ofosu-Asiedu, B.J. Fox, Christopher Gilmartin, Eka Melson, Fatemeh Nokhbatolfoghahai, Filip Brzeszczyński, J. E. Jameson, Jessica Pieri, Nithesh Ranasinha, Sachin Ananth, Shamus Butt, Stephanie D’Costa, Ziyan Kassam

Notice bibliographique

RevueMedical Teacher · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensSt. Thomas Hospital
Organismes subventionnairesNational Institute for Health and Care Research
Mots-clésPreparednessMedical educationCurriculumService (business)Coronavirus disease 2019 (COVID-19)Service-learningConceptual frameworkRelevance (law)MedicineVariety (cybernetics)PsychologyCross-sectional studyNursingPedagogyDiseasePolitical scienceSociologyBusiness

Résumé

récupéré en direct d'OpenAlex

Purpose Medical students providing support to clinical teams during Covid-19 may have been an opportunity for service and learning. We aimed to understand why the reported educational impact has been mixed to inform future placements.Methods We conducted a cross-sectional survey of medical students at UK medical schools during the first Covid-19 ‘lockdown’ period in the UK (March–July 2020). Analysis was informed by the conceptual framework of service and learning.Results 1245 medical students from 37 UK medical schools responded. 57% of respondents provided clinical support across a variety of roles and reported benefits including increased preparedness for foundation year one compared to those who did not (p < 0.0001). However, not every individual’s experience was equal. For some, roles complemented the curriculum and provided opportunities for clinical skill development, reflection, and meaningful contribution to the health service. For others, the relevance of their role to their education was limited; these roles typically focused on service provision, with few opportunities to develop.Conclusion The conceptual framework of service and learning can help explain why student experiences have been heterogeneous. We highlight how this conceptual framework can be used to inform clinical placements in the future, in particular the risks, benefits, and structures.Practice pointsThere was a benefit for most students who provided clinical support compared to those who did not during Covid-19.Most students found clinical support roles more beneficial than clinical placements and most final years wanted their final year clinical placements replaced by a formal role within a clinical team.Not every student’s experience of clinical support was equal. The conceptual framework of service and learning can help explain this heterogeneity.The most beneficial roles for students complemented the curriculum and provided opportunities for clinical skill development, reflective practice, and meaningful contribution to the health service.There is an added benefit of combining service and learning if done correctly, and we can use this to inform the structure of clinical placements going forwards. However, there are risks, and we discuss principles of good practice and provide our own considerations.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,028
score de la tête « metaresearch » (Gemma)0,165
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,137
Score d'incertitude au seuil0,986

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0280,165
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0150,000

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.

Tête enseignante Opus0,182
Tête enseignante GPT0,530
Écart entre enseignants0,348 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical TeacherMême sujetInnovations in Medical EducationTravaux en français237 207