What can Designing Learning-by-Concordance Clinical Reasoning Cases Teach Us about Instruction in the Health Sciences?
Notice bibliographique
Résumé
Introduction: Learning-by-concordance (LbC) is an online learning strategy to practice reasoning skills in clinical situations. Writing LbC clinical cases, comprising an initial hypothesis and supplementary data, differs from typical instructional design. We sought to gain a deeper understanding from experienced LbC designers to better support clinician educators' broader uptake of LbC. Methods: A dialogic action research approach was selected because it yields triangulated data from a heterogeneous group. We conducted three 90-minute dialogue-group sessions with eight clinical educators. Discussions focused on the challenges and pitfalls of each LbC design stage described in the literature. Recordings were transcribed and analyzed thematically. Results: We identified three themes by thematic analysis about the challenges inherent in designing LbC that are unique for this type of learning strategy: 1) the distinction between pedagogical intent and learning outcome; 2) the contextual cues used to challenge students and advance their learning and 3) the integration of experiential with formalized knowledge for cognitive apprenticeship. Discussion: A clinical situation can be experienced and conceptualized in many ways, and multiple responses are appropriate. LbC designers use contextual cues from their experience and combine them with formalized knowledge and protocols to write effective LbC clinical reasoning cases. LbC focuses learners' attention on decision-making in grey areas that characterize the nature of professional clinical work. This in-depth study on LbC design, indicating the integration of experiential knowledge, might call for new thinking about instructional design.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,212 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».