The Decline of Basic Ophthalmology in General Medical Education: A Scoping Review and Recommended Potential Solutions
Notice bibliographique
Résumé
OBJECTIVE: This literature review aims to explore research and conceptual pieces on the state of ophthalmology education and suggest potential ways to address current challenges. METHODS: A search was conducted in PubMed, ERIC, Web of Science, and Google Scholar with combinations of the following search terms: "ophthalmology education," "undergraduate medical education," "medical student," "United States," and "Canada." Eliminating irrelevant articles yielded 47 articles. Three were excluded because of region and focus, leaving 44. After examining the citations, we generated an additional 22 texts for review, totaling 66 articles. RESULTS: Four primary themes were identified: (1) challenges to ophthalmological education in the U.S. and Canada, (2) potential remedies for optimizing ophthalmology curriculum, (3) technology in ophthalmology education, and (4) innovative ophthalmology teaching approaches. Major challenges included the lack of a standardized curriculum and inadequate clinical exposure and skills training. A number of remedies were proposed, such as standardizing curriculum and furthering faculty involvement, utilizing technology as time-effective learning aids, and employing innovative teaching approaches such as service learning. CONCLUSION: In light of challenges in ophthalmology education, curriculum designers should consider Cognitive Load Theory (CLT) to assist students to remember meaningful exposures to ophthalmology knowledge and techniques. Based on CLT, we suggest two potential approaches to incorporating ophthalmology curriculum. The first is to embrace interdisciplinary collaborations and place ophthalmology knowledge in varied contexts to facilitate schema construction. The second is to incorporate ophthalmology diagnostics requirements into OSCEs and utilize simulation models for students to gradually increase the fidelity of tasks and devote cognitive resources fully to learning.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,020 | 0,020 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».