Telehealth clinical learning: understanding pre-clerkship medical student experiences
Notice bibliographique
Résumé
Background: With the onset of the COVID-19 pandemic, a reliance upon telehealth patient visits emerged. Many medical schools use early clinical experiences in the pre-clerkship years to provide opportunities to practice evolving clinical skills and broaden classroom learning. However, little is known about the value of telehealth visits during the pre-clerkship years. Therefore, the purpose of the current study was to determine what student learning experiences were with telehealth patient encounters during early clinical experiences. Methods: In this qualitative study, we used a descriptive phenomenological approach. We interviewed medical students using Zoom to gather their lived experiences. We grouped key findings into themes. Results: Seventeen medical students participated in the study. Key challenges included the loss of body language and visual cues leading to challenges with rapport building, the inability to perform physical examinations, and less involvement and independent practice of skills. However, positive aspects include good opportunities for history taking and benefits to note-taking. Mentorship with preceptors remained either positive or similar to in-person experiences. Conclusion: Since telehealth remains an important part of healthcare, it is crucial to train learners in telehealth clinical environments alongside standard in-person environments. However, while both challenges and benefits exist with telehealth clinical visits for junior learners, active learning processes, the use of video augmentation and robust faculty development strategies remain important to increase the educational value of these visits.
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 | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».