Reflections From the Pandemic: Is Connectivism the Panacea for Clinicians?
Notice bibliographique
Résumé
The COVID-19 pandemic and the recent increased interest in generative artificial intelligence (GenAI) highlight the need for interprofessional communities' collaboration to find solutions to complex problems. A personal narrative experience of one of the authors compels us to reflect on current approaches to learning and knowledge acquisition and use solutions to the challenges posed by GenAI through social learning contexts using connectivism. We recognize the need for constructivism and experiential learning for knowledge acquisition to establish foundational understanding. We explore how connectivist approaches can enhance traditional constructivist paradigms amid rapidly changing learning environments and online communities. Learning in connectivism includes interacting with experts from other disciplines and creating nodes of accurate and accessible information while distinguishing between misinformation and accurate facts. Autonomy, connectedness, diversity, and openness are foundational for learners to thrive in this learning environment. Learning in this environment is not just acquiring new knowledge as individuals but being connected to networks of knowledge, enabling health professionals to stay current and up-to-date. Existing online communities with accessible GenAI solutions allow for the application of connectivist principles for learning and knowledge acquisition.
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 | 0,032 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,019 | 0,041 |
| Communication savante | 0,017 | 0,031 |
| Science ouverte | 0,004 | 0,016 |
| Intégrité de la recherche | 0,024 | 0,060 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».