Strengths and challenges associated with peer learning in a magnetic resonance imaging setting: A qualitative study
Notice bibliographique
Résumé
Background and aim: Peer Learning is a pedagogical model in which students can share experiences and knowledge as well as reflect together. Research on Peer Learning has shown that when working together in pairs, the students can use and support each other to mirror and reflect on mutual insecurities. Peer Learning is a preceptorship model where two students are supervised by one preceptor. Considering the increasing shortage of radiographers, the method could be useful due to requiring fewer preceptors. The aim was to describe the strengths and challenges associated with a Peer Learning model in a magnetic resonance imaging setting from preceptors’ and undergraduate radiography students’ perspectives. Methods: Design: Qualitative design with an inductive approach. Settings: Radiology departments in seven hospitals in Sweden and the third year Bachelor radiography programme at a university in southern Sweden, during which students attend four weeks of clinical practice pertaining to the use of magnetic resonance imaging. Participants: 12 students and 14 preceptors were interviewed about peer learning in a magnetic resonance imaging setting. Methods: Focus group and individual interviews followed by conventional qualitative content analysis. Results: The results showed that students and preceptors were positive towards peer learning and saw many advantages. Preceptorship in Peer Learning required a significant amount of support and guidance from the radiology department. The students and preceptors indicated that they needed more education about peer learning. Conclusions: A prerequisite for the implementation of Peer Learning at clinical placements in a magnetic resonance imaging setting is education and training in peer learning for both students and preceptors, as well as support and guidance from universities and radiology departments.
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 | 0,033 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,012 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,004 |
| 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 ».