MétaCan
Menu
Retour à la cohorte
Enregistrement W4403055160 · doi:10.1111/medu.15541

Residents' perceptions of what makes feedback valuable in workplace‐based learning: A discrete choice experiment

2024· article· en· W4403055160 sur OpenAlexaff
Renée M. van der Leeuw, Noor H. Bouwmeester, Kevin W. Eva, Mickaël Hiligsmann, Pim W. Teunissen

Notice bibliographique

RevueMedical Education · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésCredibilityPerceptionLatent class modelPsychologyValence (chemistry)PreferenceOrdered logitClass (philosophy)Value (mathematics)LogitDiscrete choiceLogistic regressionMixed logitSocial psychologyComputer scienceStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Research on feedback has shifted emphasis away from its 'delivery' to consideration of the interaction between individual learners and their 'feedback provider'. The complexity inherent in determining whether feedback is perceived as valuable by learners, however, can quickly overwhelm educators if every interaction must be considered completely idiosyncratic. We, therefore, require a better understanding of variability in the ways in which feedback is perceived. To that end, we ran a discrete choice experiment aimed at determining residents' preferences and whether discernible patterns exist across learners regarding factors that influence perceptions of feedback's learning value. METHODS: We performed a discrete choice experiment in which respondents were asked to read a clinical case and select repetitively between two feedback scenarios that differed according to six attributes identified from the literature as influencing feedback credibility: Dialogue, Focus, Relationship, Situation, Source and Valence. By systematically varying the levels of each attribute contained in the scenarios and asking residents to choose which from each pair they deemed more valuable for learning, a mixed logit model and latent class analysis could be applied to determine learners' feedback preferences and whether clusters of preference exist. RESULTS: Ninety-five elderly care medicine residents in the Netherlands completed the questionnaire. Their responses indicated that Valence, Dialogue, Relationship and Focus each accounted for about 20% of their preferences regarding the type of feedback perceived to offer the most learning value. Source and Situation were less influential, each accounting for 11% of the choices made. A latent class model with three clusters of respondents best accounted for the heterogeneity in feedback preferences. A total of 62% of respondents could be assigned to one of the three profiles with at least 80% probability. None of the respondents' characteristics (seniority, residency programme nor sex) were related to the feedback preference profile. DISCUSSION: Our findings suggest that 'how' feedback is provided has a greater influence on perceived learning value than who provides it. That said, variability exists in resident perceptions with no evidence (as yet) of factors that predict individual preferences. As such, tailoring to the needs and reactions of individual learners is likely to require open and ongoing conversations, and we recommend using the learner profiles generated through this study as a starting point because they provide classifications that could facilitate effective connections for the majority of residents.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,990
Score d'incertitude au seuil0,052

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,016
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,383
Écart entre enseignants0,369 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
DomaineMéthodes
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical EducationMême sujetInnovations in Medical EducationTravaux en français237 207