What Types of Data are Pharmacy Education Scholars Using in Their Abstracts for Poster Presentations?
Notice bibliographique
Résumé
OBJECTIVE: The objective of this study was to describe the data being used to support poster presentations in pharmacy education scholarship. METHODS: Research and education posters presented at the 2020 American Association of Colleges of Pharmacy Annual Meeting were unitized to isolate text to be coded, and two coders categorized the quantitative and qualitative data by type and source. Questionnaires, instruments, and exams were categorized as new (ie developed and used for this particular inquiry) vs. existing. Qualitative data types were categorized as interviews, focus groups, self-reflections, analysis of student work products (eg lab reports assessed for student understanding), comments (ie written or verbal comments), and other (eg course reports). RESULTS: Two hundred and sixteen abstracts were included in the analysis, with 80 (37%) of abstracts relying on data derived from respondent's perceptions. Further, 143 abstracts (66%) used at least one new questionnaire, instrument, or exam. In 57% of the cases where multiple data sources were used, the study involved interprofessional education (eg multiple health professions learners) or pharmacy student-investigator combinations, and 28 abstracts (13%) did not use pharmacy students as a source. Less than 5% of all abstracts analyzed used traditional qualitative methods of interviews and focus groups. CONCLUSION: This study can open conversations around how to improve the quality of pharmacy education research and the identification of areas within the scholarship of teaching and learning that may benefit from improvement.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».