Evaluating group dynamics through peer assessment during a global student collaboration of interprofessional healthcare education: A longitudinal study across 33 universities
Notice bibliographique
Résumé
With the advent of healthcare globalization, interprofessional collaboration has become increasingly important on an international scale. This longitudinal study evaluated group dynamics in the International Collaboration and Exchange Program, a global online program of students across 33 universities from diverse healthcare backgrounds, including medicine, dentistry, pharmacy, and biomedical science. In groups of 4 to 6, participants engaged in regular discussions and projects relating to anatomy education and global health. Peer assessment was used to determine (1) whether a relationship existed between group cohesiveness and disparities in individual contribution levels and (2) whether group cohesiveness and individual contribution levels changed over time across varying group sizes. Two student cohorts were studied using the Individual Peer Assessment of Contribution methodology. Peer assessment surveys were distributed at two time points for the first (2021-2022) and second (2022-2023) cohorts, respectively, yielding 423 responses from 126 groups. Collaboration quality and effectiveness were evaluated through numerical ratings and qualitative feedback. Peer assessment is a viable tool for evaluating the dynamics of group interactions in virtual collaboration on a global scale. A reduction in group cohesiveness was associated with greater imbalances in individual contribution levels (r = -0.71, p < 0.001). Furthermore, larger groups (n = 6 students) demonstrated improved cohesiveness and equality in individual contribution levels over time compared to smaller groups (n = 4 students). This study on international healthcare student collaboration provides insights into sociocultural and educational factors impacting virtual group interactions and offers strategies for enhancing interprofessional collaborative practices in global health 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 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 | 0,012 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 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 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 ».