Untangling feedback: Mapping the patterns behind the practice
Notice bibliographique
Résumé
Although feedback is widely recognized as essential to improving performance and learning outcomes, what feedback involves and what it achieves can vary significantly according to researchers and practitioners. This variability reflects the lack of a shared conceptual framework to unite feedback practices, theories, findings and recommendations. In this paper, the authors use a recently developed pattern system to compare different models of feedback as a way of building a more united perspective. The authors conducted a comparative case study and framework analysis of 11 feedback models across four categories of feedback (augmented sensorimotor feedback, coaching, audit and feedback and multisource feedback). Each model was analysed to identify which aspects of feedback it addressed, and which were overlooked or excluded. The analysis revealed both divergence and convergence in how feedback models mapped onto the pattern system. Divergence was evident in the variability of elements (pattern representations) across models and diversity in expression and granularity of those elements. Conversely, convergence was observed in recurring clusters of elements, such as Performance measurement, Sensor, Judgement and Assessment, which appeared consistently across categories. Overall, the mapping exercise showed significant variations in how feedback is conceptualized, even within specific subcategories such as "coaching," "audit and feedback" and "multisource feedback." These differences have important implications for advancing research and practice in these areas. Pattern theory and pattern mapping offer a promising framework for exploring and addressing the conceptually contested nature of feedback in medical education and may facilitate the future development of a pattern language of feedback.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».