Notice bibliographique
Résumé
<p><b>Contexte </b>: L’apprentissage en milieu clinique est à la fois le plus riche pour les apprenants (résidents ou externes) et le plus stressant pour le superviseur (médecin), en particulier dans un contexte de salle d’attente surchargée, de situations critiques multiples, etc. Pourtant, il existe diverses stratégies que le clinicien-enseignant peut appliquer dans son milieu pour garantir une formation en toute circonstance. Cet atelier s’adresse à tous les superviseurs qui souhaitent élargir leur coffre à outils pour offrir un enseignement non structuré de qualité à leurs apprenants. </p> \n<p><b>Objectifs </b>: • Comprendre le raisonnement clinique de l’apprenant; • Découvrir et appliquer des trucs et astuces pour la supervision en milieu clinique (one-minute preceptor, priming, et si, méthode orthopédique, observation et rôle-modèle, lions-tigres-ours, méthode socratique, SNAPPS, etc.). </p> \n<p><b>Stratégies pédagogiques actives utilisées </b>: En se basant sur le cadre théorique du raisonnement clinique, nous présenterons différentes stratégies, et les appliquerons avec multiples vignettes pédagogiques et jeux de rôles. </p> \n<p><b>Résultats anticipés pour les participants</b> : Grâce à la complémentarité de deux urgentistes et d’une experte scientifique sur le thème du raisonnement clinique, les participants repartiront de l’atelier avec des outils pratiques basés sur un modèle théorique robuste pour leur supervision en milieu clinique.</p>
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,014 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».