Enhancing Workplace Learning: A Video Reflexive Ethnography Study
Notice bibliographique
Résumé
INTRODUCTION: The clinical environment offers rich learning opportunities through activities and interactions. Yet, because workplace learning (WPL) is embedded in practice, it tends to be invisible. For clinical teachers and researchers, identifying what is learned and how to enhance learning is challenging. Video reflexive ethnography (VRE), an innovative observational methodology, can illuminate and enhance workplace learning processes. This study explored WPL using VRE to determine its insights and potential to enhance learning. METHODS: Conducted in a rural Australian GP setting, this study utilised VRE, a practice-based methodology. Participants, including medical students and GPs, engaged in video ethnography (Phase 1) and captured workplace learning encounters in brief video clips (Phase 2). Reflexive sessions followed, where participants appraised these videoed encounters (Phase 3). Framework analysis, informed by workplace learning theory, explored (1) the video excerpts to explore workplace learning affordances and (2) transcripts of the reflexive sessions to examine learners' and supervisors' learnings. RESULTS: Analysis identified how supervisors guided students' learning through debriefing, dialogue, and articulation of clinical reasoning. Students shared their insights about workplace learning processes and their roles. Supervisors (medical and allied health) deepened their understanding of supervision by reflecting on their own and others' practices through video analysis. DISCUSSION: This study suggests VRE is a feasible research approach that also enhances WPL. Observational and participatory research methods can make the tacit explicit and open to dialogue, offering valuable contributions to workplace learning research.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».