A Medical Education Research Library: key research topics and associated experts
Notice bibliographique
Résumé
When clinician-educators and medical education researchers use and discuss medical education research, they can advance innovation in medical education as well as improve its quality. To facilitate the use and discussions of medical education research, we created a prefatory visual representation of key medical education research topics and associated experts. We conducted one-on-one virtual interviews with medical education journal editorial board members to identify what they perceived as key medical education research topics as well as who they associated, as experts, with each of the identified topics. We used content analysis to create categories representing key topics and noted occurrences of named experts. Twenty-one editorial board members, representing nine of the top medical education journals, participated. From the data we created a figure entitled, Medical Education Research Library. The library includes 13 research topics, with assessment as the most prevalent. It also notes recognized experts, including van der Vleuten, ten Cate, and Norman. The key medical education research topics identified and included in the library align with what others have identified as trends in the literature. Selected topics, including workplace-based learning, equity, diversity, and inclusion, physician wellbeing and burnout, and social accountability, are emerging. Once transformed into an open educational resource, clinician-educators and medical education researchers can use and contribute to the functional library. Such continuous expansion will generate better awareness and recognition of diverse perspectives. The functional library will help to innovate and improve the quality of medical education through evidence-informed practices and scholarship.
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 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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 | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».