MétaCan
Menu
Retour à la cohorte
Enregistrement W4377193919 · doi:10.1111/tct.13582

Online medical education: A student survey

2023· article· en· W4377193919 sur OpenAlexaff
Isabella Faria, Carolina B. Moura, Mariana Graner, Letícia Nunes Campos, Ayla Gerk, Marcela Bittencourt, Maria Luíza Barreto Cazumbá, Asher Mishaly, Alexandra Buda, Paul Truché, Alexis N. Bowder, Fábio Botelho, Madeleine Carroll, David P. Mooney, Abbie Naus

Notice bibliographique

RevueThe Clinical Teacher · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensMontreal Children's Hospital
Organismes subventionnairesnon disponible
Mots-clésMedical educationPsychologyMEDLINEMedicinePolitical science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: During COVID-19, medical schools transitioned to online learning as an emergency response to deliver their education programmes. This multi-country study compared the methods by which medical schools worldwide restructured the delivery of medical education during the pandemic. METHODS: This multi-country, cross-sectional study was performed using an internet-based survey distributed to medical students in multiple languages in November 2020. RESULTS: A total of 1,746 responses were received from 79 countries. Most respondents reported that their institution stopped in-person lectures, ranging from 74% in low-income countries (LICs) to 93% in upper-middle-income countries. While only 36% of respondents reported that their medical school used online learning before the pandemic, 93% reported using online learning after the pandemic started. Of students enrolled in clinical rotations, 89% reported that their rotations were paused during the pandemic. Online learning replaced in-person clinical rotations for 32% of respondents from LICs versus 55% from high-income countries (HICs). Forty-three per cent of students from LICs reported that their internet connection was insufficient for online learning, compared to 11% in HICs. CONCLUSIONS: The transition to online learning due to COVID-19 impacted medical education worldwide. However, this impact varied among countries of different income levels, with students from LICs and lower middle income countries facing greater challenges in accessing online medical education opportunities while in-person learning was halted. Specific policies and resources are needed to ensure equitable access to online learning for medical students in all countries, regardless of socioeconomic status.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,003
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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.

Tête enseignante Opus0,425
Tête enseignante GPT0,643
Écart entre enseignants0,218 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations5
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Clinical TeacherMême sujetCOVID-19 and Mental HealthTravaux en français237 207