Medical education during the COVID-19 pandemic and the process of professional identity formation: Resident perspectives from a North American training program
Notice bibliographique
Résumé
Introduction: The coronavirus disease 2019 (COVID-19) pandemic forced immediate changes to the delivery of medical education globally. At the University of Toronto, traditional in-person group learning and bedside teaching were replaced by virtual learning. The ensuing professional and social isolation impacted the centuries-old art of medicine and socialization into communities of practice (COPs). Methods: The authors explored the perceived impact of the pandemic on the education and training of internal medicine (IM) residents at the University of Toronto and how it may have affected the process of their professional identity formation (PIF). Semi-structured interviews were conducted with nine IM residents using a constructivist grounded theory approach. Results: Residents discussed the effects of COVID-19 pandemic on their learning, training, and wellness. They appreciated the convenience of virtual asynchronous learning but were concerned about the loss of bedside teaching, procedural opportunities, and varied clinical exposure. They considered the impact of the pandemic on their future practice and the absence of community building. They acknowledged how personal and patient stressors, social and professional isolation, and loss of coping strategies affected their wellness. Discussion: The COVID-19 pandemic affected the educational and training experiences and wellness of IM residents at the University of Toronto. It altered both clinical and nonclinical experiences and residents’ socialization into COPs—all critical to PIF. Various recommendations to support residents in their PIF process are discussed. A future area of research is how PIF evolves in the coming years, given the pandemic's unprecedented impact on professional training and community building.
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 | 0,006 | 0,006 |
| 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 | 0,025 | 0,007 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».