Addressing the challenges of field notes in medical education: a qualitative study of resident experiences
Notice bibliographique
Résumé
BACKGROUND: Evaluating resident physicians' competencies is critical in medical education to ensure high standards of patient care and professional development. Field notes are increasingly used as reflective tools in postgraduate medical education. Despite their growing use, skepticism about their effectiveness persists. This study aims to identify challenges with learner engagement in field notes and gather suggestions for operational improvements. METHODS: A qualitative study was conducted in the Department of Family & Community Medicine at the University of Toronto. Semi-structured interviews were conducted with seven postgraduate year one and year two family medicine residents. The interviews focused on residents' experiences and challenges with field notes. Data were analyzed using inductive thematic analysis to develop a comprehensive codebook, in alignment with Braun and Clarke's framework. RESULTS: Several key challenges with the use of field notes were identified including the redundancy of feedback, sporadic utilization, and time constraints for preceptors. Residents also expressed uncertainty about the expectations for using the tool and identified it as complex and cumbersome. Operational suggestions for improvement included the development of a mobile-friendly platform, streamlined functionality, a standardized and integrated feedback system, and clearer guidelines for use. CONCLUSIONS: The study highlighted significant challenges in the use of field notes within family medicine training programs and underscored the need for technological and procedural innovations to improve their effectiveness. Addressing these challenges through user-friendly design, clear guidelines, and integrated support systems could transform field notes into a more robust tool for competency-based medical education, benefiting residents, preceptors, and the broader medical community.
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 | 0,018 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,008 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».