An Exploration of Feedback Using Hattie and Timperley’s Feedback Levels
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Effective feedback is recognized as essential to clinical training. Hattie and Timperley conducted a comprehensive review of feedback to develop their Model of Feedback to Enhance Learning (MFEL). The MFEL proposes that effective feedback can focus on any of four levels: task, process, self-regulation, and self. While Hattie and Timperley are frequently cited for their review, few studies in medical education have used the MFEL to explore feedback. We used the MFEL to examine the content of documented workplace-based feedback to explore how this model applies in a family medicine residency program. METHODS: We conducted this retrospective cross-sectional observational secondary data analysis (learning analytics) study in a Canadian university-based family medicine residency program. Our data source was de-identified field notes (a tool to document workplace-based feedback) for residents at two teaching sites. We coded the feedback using the levels from the MFEL. We used descriptive statistics to analyze the frequencies of each level and combinations of levels. RESULTS: Of the 2,250 field notes examined, 422 (18%) were excluded because they contained no feedback. The majority (1,105; 60%) included a single feedback level, while 705 (38%) contained two levels, and 17 (1%) included three levels. No field notes included all four levels. Of the field notes containing one feedback level, the most common levels were task (835; 76%) and process (248; 22%). The most common combination of levels was process and task (649; 92.1%). CONCLUSIONS: Hattie and Timperley's MFEL offers a way to explore feedback documented in medical education programs and may help programs identify opportunities for faculty development to improve feedback effectiveness.
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 | 0,001 | 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 | 0,000 | 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) | 0,000 | 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 ».