Simulation in admissions interviews: applicant experiences and programmatic performance prediction
Notice bibliographique
Résumé
Background: Admissions interviews are frequently used to assess personal and interpersonal attributes required for successful medical practice. Using simulation in interviews to engage applicants in realistic medical scenarios to assess these attributes is novel. This study evaluates applicant perceptions of simulation within multiple mini-interviews (MMI) and reports on subsequent student program performance. Methods: Physician assistant (PA) program applicants were invited to complete an anonymous post-interview survey that included one free-response question about their admissions experience. We chose to qualitatively analyze the free-response question. Additionally, success metrics of students who experienced simulation-based MMI were compared to prior cohorts who were admitted using traditional interviews. Results: Applicants undergoing simulation-based interviews in MMI had decreased incidences of major professionalism events, greater on-time program progression, and similar board pass rates compared to applicants who experienced traditional interviews. Several themes, highlighting the applicants' varied responses to the simulation-based MMI, emerged including showcasing strengths and passion, feelings of fairness, accessing program faculty, and impacts on certainty. Conclusions: The use of simulation in admissions interviews is a valuable tool for assessing an applicant's personal attributes in a clinical setting. Applicants admitted using simulation had improved programmatic performance compared to applicants admitted using traditional interviews. Applicants' perceptions of simulation in interviews are helpful when designing the admissions experience.
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 | 0,023 |
| 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) | 0,055 | 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 ».