Faculty Development Interventions in Medical Education During the COVID-19 Pandemic: A Systematic Review
Notice bibliographique
Résumé
The onset of the COVID-19 pandemic in March 2020 began a series of disruptions that rapidly impacted medical education across the globe. This review collates current literature that relates to medical education faculties’ development interventions as a result of the pandemic, with an emphasis on the effectiveness and type of strategies for intervention, such as the usefulness of hybrid and digitalised education. The study used PRISMA guidelines when conducting the literature survey with specified inclusion and exclusion criteria across numerous academic databases. From this survey, 1158 articles were found. The EndNote programme was used to identify and remove duplicate pieces. From this, 479 abstracts were reviewed. A total of 36 articles were selected for their relevance; from this, 11 were deemed to have met the inclusion criteria to warrant full-text analysis. To identify bias risk in these 11 studies, the Newcastle–Ottawa Scale (NOS) was utilised. The study findings have two major themes: (1) information about faculty development interventions; and (2) the nature of articles written in the pandemic. From this, it was indicated that faculty development initiatives are useful for improving teachers’ competency and for enhancing teachers’ adoption of digitalised learning to ultimately bolster the resilience of their teaching. The findings also show that there is a strong need to have robust frameworks in place for faculty development, and that such frameworks must be followed in and beyond the pandemic period to improve the long-term incorporation of online learning into medical education.
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 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 | 0,006 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».