MétaCan
Menu
Retour à la cohorte
Enregistrement W4403299886 · doi:10.1111/medu.15549

(Mis)Alignment in resident and advisor co‐regulated learning in competency‐based training

2024· article· en· W4403299886 sur OpenAlexafffundabout
Leora Branfield Day, Deborah L. Butler, Ayelet Kuper, Rupal Shah, Lynfa Stroud, Shiphra Ginsburg, Walter Tavares, Ryan Brydges

Notice bibliographique

RevueMedical Education · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensThe Wilson CentreMount Sinai HospitalHealth Sciences CentreSunnybrook Health Science CentreSt. Michael's HospitalCentre for Advancing Health OutcomesUniversity of British ColumbiaWomen's College HospitalUniversity Health NetworkUniversity of Toronto
Organismes subventionnairesDepartment of Medicine, University of TorontoUniversity of TorontoRoyal College of Physicians and Surgeons of Canada
Mots-clésMedical educationTraining (meteorology)PsychologyMEDLINEMedicineComputer scienceChemistryGeography

Résumé

récupéré en direct d'OpenAlex

BACKGROUND/OBJECTIVE: In implementing competence-based medical education (CBME), some Canadian residency programmes recruit clinicians to function as Academic Advisors (AAs). AAs are expected to help monitor residents' progress, coach them longitudinally, and serve as sources of co-regulated learning (Co-RL) to support their developing self-regulated learning (SRL) abilities. Implementing the AA role is optional, meaning each residency programme must decide whether and how to implement it, which could generate uncertainty and heterogeneity in how effectively AAs will "monitor and advise" residents. We sought to clarify how AA-resident dyads collaboratively interpret assessment data from multiple sources, co-create learning goals and action plans and attempt to enhance residents' SRL skills. METHODS: Shortly after each of their six meetings during two years of Internal Medicine residency, we conducted individual, brief interviews with AAs (N = 10) and residents (N = 10). We analysed transcripts using an abductive framework with theory-based and evidence-based sensitizing concepts. RESULTS: We collected 49 residents and 36 AA 'meeting debriefs', which produced rich data on how dyads variably engaged in SRL and Co-RL. Residents and AAs adopted "learning stances" that oriented their perceptions and approaches to Co-RL. Their stances did not always align within dyads. We found unique patterns in how stances evolved or devolved over time, and in how these changes impacted dyads' Co-RL processes. While some dyads evolved to engage in proactive co-regulation, most stayed consistent or oscillated reactively in their relationships, with little apparent Co-RL focused on helping residents to develop clinical competencies through SRL. We catalogued multiple influential sources of regulation of learning. CONCLUSION: The conceptually ideal form of Co-RL was not consistently achieved in this well-intended implementation of AA-resident dyads. To better translate 'coaching over time' from intention to practice, we recommend that residency programmes use Co-RL principles to refine CBME processes, including refining assessment tools, resident orientation sessions and faculty development practices.

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)0,027
score de la tête « metaresearch » (Gemma)0,065
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,027
Score d'incertitude au seuil0,143

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0270,065
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,007
Communication savante0,0040,002
Science ouverte0,0010,006
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,355
Écart entre enseignants0,340 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
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

Citations4
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueMedical EducationMême sujetInnovations in Medical EducationTravaux en français237 207