MétaCan
Menu
Retour à la cohorte
Enregistrement W4390660354 · doi:10.1093/ofid/ofae016

High-Volume, High-Acuity, and High-Impact Learning: Tips and Tricks for Infectious Diseases Training Programs

2024· article· en· W4390660354 sur OpenAlexfundno aff
Vera Luther, Molly L Paras, Sara Schultz, Mariam Aziz, Gayle Balba, Todd P McCarty, Raymund R. Razonable, Rebecca Reece, Rachel Shnekendorf, Vidya Sundareshan, Lisa M Chirch, Emily Abdoler, Kartikey Acharya, Marwan M. Azar, Rachel Bartash, Emily A. Blumberg, Dana M Blyth, Saira Butt, Beata Casańas, Brian Chow, Lisa Clough, James B Cutrell, Ryan K Dare, Saumil Doshi, Jorgelina de Sanctis, David Dobrzynski, Jason Faulhaber, Christina T. Fiske, Christopher J. Graber, Aniruddha Hazra, Leonard B. Johnson, Anna Kaltsas, Prathit A. Kulkarni, Taesung Kwon, Allison Lastinger, Mi-Kyung Lee, Anne‐Marie Leuck, Paola Lichtenberger, Raul Macias Gil, Luis A. Marcos, Caline Mattar, Brionna Matt, Eileen K Maziarz, Michael T. Melia, Alfredo J Mena Lora, Benjamin A. Miko, Subhashis Mitra, Saman Nematollahi, Nwora Lance Okeke, Georgina Osorio, Frederico Perez, Varun K. Phadke, Katya Prakash, Gail Reid, David J. Riedel, Christian Rojas‐Moreno, Natalie Mariam Salas, Kathryn Schlaffer, Mohammad Mahdee Sobhanie, Daniel A. Solomon, Ann E. Stapleton, Judy A. Streit, George R. Thompson, Trevor Van Schooneveld, Manasa Velagapudi, Holenarasipur R. Vikram, Devin Weber, Scott A. Weisenberg, Darcy Wooten, Christa S. Zerbe

Notice bibliographique

RevueOpen Forum Infectious Diseases · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Chicago MedicineNYU Grossman School of MedicineRoy J. and Lucille A. Carver College of Medicine, University of IowaUniversity of California, DavisUniversity of California, Los AngelesNational Institutes of HealthStony Brook UniversityWashington University in St. LouisMount Sinai Health SystemCarilion ClinicWest Virginia UniversityVanderbilt University Medical CenterUniversity of Arkansas for Medical SciencesCollege of Engineering, Michigan State UniversityMemorial Sloan-Kettering Cancer CenterJohns Hopkins UniversitySchool of Medicine, Duke UniversityUniversity of MiamiYork UniversityUniversity of RochesterUniversity of MissouriCreighton UniversityDavid Geffen School of Medicine, University of California, Los AngelesMedical Center, University of RochesterCase Western Reserve UniversityUniversity of MinnesotaTemple UniversityVanderbilt UniversityUniversity of Illinois at Urbana-ChampaignMichigan State UniversityBrigham and Women's HospitalEmory UniversityUniversity of Nebraska Medical CenterOhio State UniversityLeonard M. Miller School of MedicineUniversity of California, San DiegoU.S. Department of Veterans Affairs
Mots-clésMedicinePresentation (obstetrics)Infectious disease (medical specialty)Medical educationTraining (meteorology)NegotiationFamily medicinePathologyDiseaseSurgery

Résumé

récupéré en direct d'OpenAlex

The Infectious Diseases Society of America Training Program Directors Committee met in October 2022 and discussed an observed increase in clinical volume and acuity on infectious diseases (ID) services, and its impact on fellow education. Committee members sought to develop specific goals and strategies related to improving training program culture, preserving quality education on inpatient consult services and in the clinic, and negotiating change at the annual IDWeek Training Program Director meeting. This paper outlines a presentation of ideas brought forth at the meeting and is meant to serve as a reference document for infectious diseases training program directors seeking guidance in this area.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,595
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,335
Écart entre enseignants0,317 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOpen Forum Infectious DiseasesMême sujetInnovations in Medical EducationTravaux en français237 207