Exploring perspectives of personal learning plans in a residency programme
Notice bibliographique
Résumé
Abstract Background Personal learning plans (PLPs) have gained traction in postgraduate medical education as an avenue for enhancing resident learning. However, implementing PLPs in real‐world education settings presents unique challenges. To realise the potential of PLPs, we must understand the factors that influence the quality of PLP implementation. The purpose of this study was to explore the use and implementation of PLPs during residency training from the residents' and academic advisors' perspectives within a competency‐based residency programme. Methods We conducted semi‐structured interviews with residents ( n = 18) and academic advisors ( n = 9) in an Internal Medicine residency programme at a Canadian academic centre. Interviews were audio recorded, transcribed verbatim and analysed using open coding. Findings Three higher order themes were developed to represent the participants' perceptions of implementing PLPs in a competency‐based residency programme: (a) setting the stage for learning, (b) fostering meaningful engagement and (c) learning through reflection. Results indicated that implementing PLPs requires collaboration between residents and academic advisors and supports from the broader programme and institution. PLP implementation is an iterative process that can provide a salient avenue for reflection and the development of self‐regulation skills. Discussion and Conclusion PLPs can be a useful tool to foster self‐regulated learning skills in residency education. It is imperative to consider how social and environmental supports can be enacted to facilitate engagement with, and implementation of, PLPs.
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 | 0,003 | 0,010 |
| 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 | 0,000 |
| 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 ».