Assessing Canadian medical students’ confidence in undergraduate urologic training and preferences for teaching methods
Notice bibliographique
Résumé
INTRODUCTION: Given the aging population, urologic conditions are increasingly prevalent in primary care, necessitating well-prepared medical graduates to recognize and manage essential complaints. This study assessed medical students' confidence in managing common urologic conditions, identified preferred teaching methods, and examined the role of the Canadian Undergraduate Urological Curriculum (CanUUC) in their education. METHODS: A survey was distributed to third- and fourth-year Canadian medical students, assessing their self-confidence in history taking, diagnosis, management planning, and physical examination for 12 urologic conditions. The survey also explored preferred teaching methods and awareness of CanUUC. Statistical analysis included ANOVA and t-tests to determine significant differences in confidence across various factors. RESULTS: A total of 117 medical students and 10 first-year urology residents responded. Students felt equally confident about taking histories (3.51±1.19), proposing diagnoses (3.38±1.19), and performing physical examinations (3.58±1.16) while demonstrating lower confidence (p<0.001) for management planning (3.16±1.25). Confidence was highest for urinary tract infections and lowest for male infertility. Furthermore, students who completed urology rotations reported higher confidence in history taking (3.67±0.69, p=0.003) and management planning (3.35±0.66, p=0.003). Direct clinical exposure, simulations, and case-based discussions were the preferred learning methods. Only seven (6%) students were aware of CanUUC, with five (4.3%) using it. CONCLUSIONS: Medical students have moderate confidence in handling urologic conditions, with higher comfort among those who completed urology rotations. Implementing targeted curriculum enhancements and integrating resources like the CanUUC could address these educational gaps and lead to improved patient outcomes.
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 | 0,003 | 0,011 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».