Teaching excellence, the hidden curriculum and complexity: an international comparative case study of two medical schools
Notice bibliographique
Résumé
The perception held by clinical teachers of health professionals that their teaching efforts are under-valued by their education institutions persists despite intensive research and subsequent interventions to address this global problem. The purpose of this multi-site study is to examine how clinical teaching activities are organised, in order to reveal if there are underlying systemic factors that may contribute to this wicked problem. This study employed a cross-comparative case study design of one Singaporean and one Canadian medical school. Semi-structured interviews were conducted with organisational leaders (n = 23) who manage clinical teaching activities and/or have insights on their local assessment, support and recognition systems. Public records were also collected from each site (n = 24). A theory-driven content analysis using a complexity science interpretation of the concept of the Hidden Curriculum was conducted with both sets of data. The two sites were at different stages of maturation in respect of clinical teaching evaluation and feedback, support, and recognition and reward systems. Despite this, the interviews identified shared structure, process and culture-oriented challenges: low prioritisation of teaching, faculty demotivation and dissatisfaction across both research sites. Our findings suggest that a continued focus on structure and process-oriented reforms to elicit change is insufficient. Instead, further examination of site-specific, multiple intersecting academic and clinical cultures is needed. Future efforts to improve the value and drive the pursuit of teaching excellence will require multi-faceted structure, process and culture change approaches. We argue that Hafferty and Castellani's (The hidden curriculum: A theory of medical education, Routledge, 2009) re-conceptualisation of hidden curriculum through a complexity science lens should be used as a heuristic device to address future research and reform in local medical education contexts.
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 | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,012 | 0,006 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».