CanadiEM: Accessing a Virtual Community of Practice to Create a Canadian National Medical Education Institution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<p>Background</p> <p>The rise of free open‐access medical education (FOAM) has led to a wide range of online resources in emergency medicine. Canadian physicians have been active contributors to FOAM.</p> <p>Objectives</p> <p>We aimed to create a virtual community of practice that would serve as a national platform for collaboration, learning, and knowledge dissemination.</p> <p>Methods</p> <p>CanadiEM was formed in 2016 from the merger of two Canadian websites and a podcast. Using a community‐of‐practice model, we introduced two training programs to support junior community members in becoming core editorial team members and employed asynchronous Web technologies to facilitate collaboration. We also introduced a coached peer review process and formed strategic alliances that aim to ensure a high quality of publication.</p> <p>Results</p> <p>CanadiEM has become a portal for readers to access a broad range of FOAM content. The website has published 782 articles. Of these, 71 have undergone a coached peer review process. The website has received over 2.5 million page views from 217 countries, and the associated CRACKCast podcast has been downloaded over 750,000 times.</p> <p>Conclusions</p> <p>CanadiEM has succeeded in building a national multi‐interface dissemination network that fosters collaboration and knowledge sharing in emergency medicine while fostering junior digital scholars. The construction of a community of practice has been facilitated by quality assurance, training programs, and the use of asynchronous Web technologies. Ongoing challenges in sustainability include a volunteer workforce with high turnover.</p>
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle