Developing ClerkCast: An Emergency Medicine Clerkship Needs Assessment Project
Notice bibliographique
Résumé
Introduction and objectives: For Canadian medical students completing their emergency medicine (EM) clerkship rotation, developing an approach to undifferentiated patients can be difficult. Open educational resources (OERs) are a convenient solution, but faculty authored materials may not meet students' needs. There is a lack of EM OERs that deconstruct these undifferentiated EM presentations for medical students. The objective of this study was to identify EM topics poorly understood by medical students to inform a novel Free Open Access Medical Education podcast curriculum for approaching undifferentiated EM patients for medical students. Methods: An online survey-based needs assessment was distributed to key stakeholders through direct email, social media, and the blog CanadiEM. The survey included 32 EM topics graded on a five-point Likert scale according to how much participants believe medical students require further teaching. Results: Over six weeks, a total of 74 participants completed the needs assessment survey, and 58 participants met the criteria for inclusion into our study: medical students (n=23) and EM educators (inclusive of resident physicians (n=19), and staff EM physicians (n=16)). A number of presentations (n=23) were prioritized by both students and EM educators to be of the greatest need for medical students. No presentations identified as high priority by students were not also identified as high priority by EM educators. Conclusions: The greatest mean topic scores in both EM educators and medical student responses included critical care and acute medicine topics. Of the 32 topics in the survey, 23 topics were determined to be high priority for the development of future online educational resources. Analysis of free-text responses revealed nine topics not previously listed in our survey. Our findings will be used to inform the development of our new open access podcast and can be useful for developing medical student curricula in EM.
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 | 0,017 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 ».