Online Learning in Medical Student Clerkship: A Survey of Student Perceptions and Future Directions
Notice bibliographique
Résumé
Background The coronavirus disease 2019 (COVID-19) pandemic had a major impact on medical education with clerkship students abruptly removed from clinical activities in 2020 and hastily immersed in online learning to maintain medical education. In 2022, students returned to in-person clinical experiences, but synchronous learning sessions continued online with extensive use of asynchronous online resources. This change offers a unique opportunity to gather information about students' perspectives regarding the acceptability and effectiveness of online learning strategies. This study aims to explore the clerkship student experience with the integration of online learning and in-person learning into formalized educational sessions in clerkship. Methodology The authors administered an online survey to clerkship students at the Cumming School of Medicine at the University of Calgary, Canada in spring 2022. The survey consisted of primarily Likert-style questions to explore the perceived effectiveness of various online learning strategies. Results are reported as the proportion selecting "quite effective" or "extremely effective." Results A total of 89 students responded to the survey (57.4% of graduating class). For synchronous online learning, case-based learning was perceived as the most effective teaching strategy (61.8%), and audience response systems were the most effective strategy for improving audience engagement (70.1%). For asynchronous online learning, interactive cases (84.9%) and student-developed online study guides (83.6%) were perceived as the most effective. Students held varying perceptions regarding how online learning impacted their well-being. When considering future clerkship curricula, the majority of clerkship students preferred a blend of in-person and online learning. Conclusions This study identified that most clerkship students prefer a hybrid of in-person and online learning and that ideal online learning curricula could include case-based learning, audience response systems, and a variety of asynchronous learning resources. These results can guide curriculum development and design at other medical institutions.
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 | 0,001 |
| 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) | 0,001 | 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 ».