Blind spots in medical education – International perspectives
Notice bibliographique
Résumé
BACKGROUND: All individuals and groups have blind spots that can create problems if unaddressed. The goal of this study was to examine blind spots in medical education from international perspectives. METHODS: From December 2022 to March 2023, we distributed an electronic survey through international networks of medical students, postgraduate trainees, and medical educators. Respondents named blind spots affecting their medical education system and then rated nine blind spot domains from a study of U.S. medical education along five-point Likert-type scales (1 = much less attention needed; 5 = much more attention needed). We tested for differences between blind spot ratings by respondent groups. We also analyzed the blind spots that respondents identified to determine those not previously described and performed content analysis on open-ended responses about blind spot domains. RESULTS: There were 356 respondents from 88 countries, including 127 (44%) educators, 80 (28%) medical students, and 33 (11%) postgraduate trainees. At least 80% of respondents rated each blind spot domain as needing 'more' or 'much more' attention; the highest was 88% for 'Patient perspectives and voices that are not heard, valued, or understood.' In analyses by gender, role in medical education, World Bank country income level, and region, a mean difference of 0.5 was seen in only five of the possible 279 statistical comparisons. Of 885 blind spots documented, new blind spot areas related to issues that crossed national boundaries (e.g. international standards) and the sufficiency of resources to support medical education. Comments about the nine blind spot domains illustrated that cultural, health system, and governmental elements influenced how blind spots are manifested across different settings. DISCUSSION: There may be general agreement throughout the world about blind spots in medical education that deserve more attention. This could establish a basis for coordinated international effort to allocate resources and tailor interventions that advance medical education.
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 | 0,008 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,000 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».