Prompting better feedback: investigating the effect of targeted form design on quality of narrative feedback in ophthalmology CBME assessments
Notice bibliographique
Résumé
OBJECTIVE: Competency-based medical education (CBME) requires a variety of assessments evaluating resident performance. Assessment form design may influence narrative feedback quality. To evaluate the effect of including targeted written comment prompts in entrustable professional activity (EPA) assessment forms on the quality of narrative feedback in CBME ophthalmology resident trainee assessments. METHODS: Transition to discipline (TTD) assessment data from three distinct time periods were anonymized; the first 2 groups contained assessments completed with the original form design, whereas the last group represented assessments completed after the introduction of revised EPA forms. Written feedback was scored using the Quality of Assessment for Learning (QuAL) score. One-way ANOVA and a Tukey post hoc test were used to compare mean QuAL scores of each group. RESULTS: One-thousand one-hundred and forty-five assessments were analyzed, including 680 Original EPA forms, 322 intermediate forms, and 143 revised forms. QuAL scores significantly increased after revisions were made to the assessment form, with original, intermediate, and revised form mean QuAL scores of 2.14 ± 1.76, 2.77 ± 1.75, and 4.33 ± 1.11; P < 0.001 for all comparisons, respectively. CONCLUSIONS: Revising EPA form design to include targeted prompts and examples of evidence-based coaching words to guide written comments results in higher-quality narrative feedback in CBME assessments.
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 | 0,076 | 0,424 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».