Addressing musculoskeletal curricular inadequacies within undergraduate medical education
Notice bibliographique
Résumé
BACKGROUND: Musculoskeletal (MSK) injuries and diseases place a significant burden on the health care system. Despite this, research indicates that physician training in the area of MSK medicine has historically been inadequate, with a majority of medical students feeling that their training in MSK medicine is lacking. The goal of this investigation was to evaluate the efficacy of a new preclinical MSK curriculum that was implemented within a nationally accredited allopathic medical program. METHODS: Retrospective analysis was completed on five consecutive years (2017-2021) of preclinical MSK curricular data for 549 medical students, including mid and end-of-course examinations and end-of-course student satisfaction surveys. Both parametric and non-parametric methods of analysis were used to examine within and between class differences (P < 0.05). RESULTS: The new MSK curriculum covered 15 of 16 "core or must know" topics in MSK medicine, and academic performance was consistently high over the 5-year period of analysis (final course marks ranged from 76.6 ± 7.1 to 81.4 ± 8.1; failures/year: range from 0 to 4), being equal or above levels of student performance observed for other courses delivered during preclinical studies. Likert data from end-of-course surveys demonstrated that feedback was overwhelmingly positive (overall course satisfaction ranged from a low of 3.07/4.00 to a high of 3.56/4.00) and indicated that students felt that the new preclinical MSK curriculum did effectively support medical student learning and knowledge retention. CONCLUSION: Results are expected to help advance the current body of knowledge that is dedicated to improving physician learning and knowledge retention in the area of MSK medicine and provides a curricular model that could be used by other nationally accredited medical programs to help enhance MSK learning at the preclinical levels of physician training.
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 | 0,007 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 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 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 ».