2022–2023 Medical Education Planning Committee
Notice bibliographique
Résumé
Chair Lara Varpio, PhD Codirector of Research in Medical Education Children’s Hospital of Philadelphia Members Irene Alexandraki, MD, MPH Senior Associate Dean of Academic Affairs University of Arizona College of Medicine–Phoenix Jonathan M. Amiel, MD Associate Professor of Psychiatry Columbia University Medical Center Justin L. Bullock, MD, MPH Nephrology Research Fellow University of Washington Jefferey J.H. Cheung, PhD Assistant Professor, Medical Education University of Washington Jorie Colbert-Getz, PhD, MS Assistant Dean of Education Quality Improvement University of Utah School of Medicine Gary Beck Dallaghan, PhD Assistant Dean, Evaluation & Assessment University of Texas Tyler School of Medicine Deborah Engle, EdD, MS Assistant Dean for Assessment and Evaluation Duke University Reena Karani, MD, MHPE Professor Icahn School of Medicine at Mount Sinai Katie Schultz, MD, MEd, FAAP PhD student, Institute of Health Sciences Education Research Associate, Department of Emergency Pediatric Medicine McGill University Jonathon Sherbino, FAcadMED, MD, MEd Professor of Medicine McMaster University Cayla R. Teal, PhD, MA Education Associate Professor, Population Health University of Kansas Medical Center AAMC Staff Ana Henriquez Constituent Engagement Specialist Academic Affairs Association of American Medical Colleges Katherine McOwen Senior Director, Educational and Student Affairs Academic Affairs Association of American Medical Colleges Lynn Shaull Senior Research Analyst Academic Affairs Association of American Medical Colleges
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 | 0,006 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,377 | 0,230 |
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 ».