Skin of Colour Dermatoses Self-Learning Module: Assessing Student Comprehension
Notice bibliographique
Résumé
BACKGROUND: Dermatology for diverse skin types is a globally growing area of medicine, but the inclusion of skin of color dermatology has not yet been formally included across all Canadian undergraduate medical education curricula. There is also a paucity of representation of diverse skin types in most medical textbooks, research, and clinical trials. OBJECTIVES: The main objective was to develop a concise, Skin of Colour Dermatoses Self-Learning Module (SOCSLM) that could be implemented at an undergraduate medical education level. The secondary objective was to analyze participant responses to improve and add to learning module content. METHODS: From March to May 2022, second-year medical students at the University of Ottawa completed pre- and post-SOCSLM questionnaires which were available in French and English through their online student learning portals. The pre-test consisted of five multiple choice questions relating to images of dermatoses seen in diverse skin types. The post-test repeated the same five questions, rearranged, with an additional five new ones, and responses were analyzed. RESULTS: Twenty-five participants completed the surveys, and twenty responses were included. Percent correct answers increased between pre- and post-test, 51% vs 87%. In the post-test, questions repeated from the pre-test had a mean score of 95% while the new post-test questions had a mean score of 80%. Interest in dermatology did not have an impact on correct response rates. CONCLUSIONS: Skin of color dermatology self-learning modules may be an effective way to integrate skin of color dermatology into undergraduate medical curricula.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».