Developing and validating an accelerated online Canadian training in data science for the health sciences community
Notice bibliographique
Résumé
Background With the rise of digital health, proficiency in data science is becoming increasingly important. University curricula often lack adequate data analysis and programming education, hence the need to develop an accessible training platform. Methods A free, accelerated R programming course was developed for healthcare trainees with no prior programming experience. The first module was composed of seven video capsules over 10 days to teach foundational R programming for clinical research. A pretest and posttest study assessed participants’ skills pretraining, immediately posttraining, and three months later. Participants (students, researchers, professors) were recruited from Montreal's academic healthcare community. A Real-Time Delphi method guided test development and mixed-effects models compared scores. Results Of 102 enrolled participants, 100 were analyzed, which were mostly aged 20–30 (72%) and medical students (92%, 69.6%). Of them, 84% successfully completed the course within 10 days (95% CI [77%—91%]). Mean test scores increased from 4.5/10 pretest (95% CI [4.1–4.8]) to 8.4/10 posttraining (95% CI [8.1–8.7]) ( p < .001; Cohen's d = 2.5), with scores at three months (6.8/10, 95% CI [6.4–7.2]) remaining significantly higher than baseline ( p < .001), despite a slight expected decline. Conclusion This accelerated R programming course effectively improves data science skills in healthcare trainees with no prior knowledge. It addresses key gaps in formal data science education with the potential to enhance independent research and analysis skills in complement to university curricula.
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 | 0,004 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».