Accompagner au changement des pratiques de médecins généralistes en formation en santé : Une approche orientée par l’activité et l’acceptabilité des usages du numérique en contexte de crise
Notice bibliographique
Résumé
Les conditions de travail des étudiants internes de médecine générale lors de leurs stages en secteur hospitalier sont souvent dégradées par des horaires surchargés, un nombre important d’astreintes mensuelles et un suivi tutoral insuffisant augmentant leur peur de l’erreur médicale et leurs risques psychosociaux. Ce constat a conduit certaines facultés de médecine à améliorer le potentiel d’apprentissage de ces stages tels que conçus en alternance avec les périodes consacrées à leur formation à l’université. Cet article rend compte d’un accompagnement au changement des pratiques de médecins enseignants en poste, diplômés de leur thèse de doctorat et chargés de cette formation universitaire, en tension entre la nécessité d’innover en pédagogie et la réalité d’un travail à flux tendu avant et pendant la crise sanitaire de COVID-19. Son objet est une formation hybride (blended-learning) articulant des cours en présentiel, distanciel synchrone et asynchrone fondée sur des usages variés du numérique susceptibles de limiter les facteurs de risques psychosociaux des étudiants. Notre analyse mobilise deux modèles conceptuels complémentaires : le premier est la théorie unifiée de l’acceptation et de l’utilisation du numérique (Venkatesh, Thong et Xu, 2012) et le second, le modèle des phases de préoccupation de Bareil (2004, 2009). Nous avons récolté des données mixtes dans une perspective à la fois compréhensive et explicative des variables agissantes sur ce processus de changement et l’acceptabilité du numérique. L’originalité de nos résultats est d’éclairer ce processus à partir d’une approche orientée « activité du sujet et acceptabilité des usages ». Nous concluons sur le rôle des ingénieurs pédagogiques dans le soutien des équipes de professionnels de la santé vers l’innovation et le développement de leurs compétences en enseignement universitaire, en nous appuyant sur les travaux de la recherche en éducation et en formation.
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 | 0,012 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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.
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 ».