Documenting medical students’ use of self-explanations: tool development and initial validity evidence
Notice bibliographique
Résumé
Introduction: Self-explanation (SE), an individual learning strategy for the development of clinical reasoning skills, has been implemented in undergraduate medical curricula. A tool for documenting students' appropriate use of SE is needed to ensure benefit on learning. The objective of this project was to develop such a tool and report on evidence of its validity. Methods: We used DeVellis's eight steps to develop the tool. Assessors applied the tool to 85 audio-recorded SEs. We calculated students' mean number of inferences (biomedical, clinical, monitoring) and case elements used when self-explaining to document validity evidence of content. We used interrater agreement, with intraclass correlation coefficients, to document validity evidence of response processes. Results: Three assessors documented the students' use of SE with the tool. They found means of 13.33 to 17.76 biomedical inferences, 16.27 to 27.04 clinical inferences, 2.03 to 3.10 monitoring statements, and listed 21.77 to 26.87 case elements. Interrater reliability varied from 0.53 to 0.96. Discussion: We developed the tool using the principles underlying SE. The way students used SE aligned with our expectations. Assessors used the tool in a consistent way. The tool could document students' use of SE in experimental or educational contexts.
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 | 0,226 | 0,371 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».