Formation par concordance : la théorie des scripts et son application en enseignement revisitées
Notice bibliographique
Résumé
Contexte et problématique : La formation par concordance (FpC) est un puissant instrument de formation en ligne, basé sur la théorie des scripts. En éducation médicale, la FpC se présente de manière similaire à un test de concordance de script (TCS) (vignette clinique, hypothèse, nouvelle information, micro-jugement) mais alors que le TCS est destiné à l’évaluation, la FpC est un outil de formation dont l’intérêt repose sur la richesse des rétroactions dont bénéficie l’apprenant à savoir la répartition des réponses des panélistes, l’accès aux brèves explications que les panélistes ont données pour accompagner leurs réponses, et une courte synthèse éducative. Bien que son cadre théorique, la théorie des scripts, soit clair, la conception d’une FpC est complexe. De fait l’opérationnalisation du cadre théorique de la FpC n’a jamais été décrite. Objectif : Le but du présent article est ainsi de proposer un cadre d’opérationnalisation de la création d’une FpC, en utilisant comme socle l’exercice concret, étape par étape, de la création d’une FpC au sujet de la rhumatologie pédiatrique destinée à la formation des médecins de familles et des pédiatres généralistes. Méthodes : En adoptant une technique de groupe nominal, les échanges entre les créateurs de cette FpC (5 médecins pédiatres et/ou spécialistes en éducation médicale) ont permis d’aboutir à un consensus concernant chacun des concepts de la théorie des scripts et leur opérationnalité au regard de la création d’une FpC structurée dans une période de temps optimisé. Résultats : Un cadre opérationnel de création d’une FpC, sous la forme d’une synthèse des opérations conduisant à la création d’une FpC est finalement proposé.
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 | 0,002 | 0,018 |
| 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 | 0,000 | 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 | 0,002 |
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 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 ».