MétaCan
Menu
Retour à la cohorte
Enregistrement W4412659710 · doi:10.1080/0142159x.2025.2532779

Experiences of remediation in family medicine postgraduate education: An interpretative phenomenological analysis

2025· article· en· W4412659710 sur OpenAlexaffabout
Sara Turcotte, Perle Feldman, Fok‐Han Leung, Milena Forte, Charo Rodríguez

Notice bibliographique

RevueMedical Teacher · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensMount Sinai HospitalCentre Intégré Universitaire de Santé et de Services Sociaux du Centre-Sud-de-l'Île-de-MontréalUniversity of TorontoMcGill UniversityMcGill University Health CentreCentres Intégré Universitaires de Santé et de Services Sociaux
Organismes subventionnairesnon disponible
Mots-clésInterpretative phenomenological analysisMedical educationMedicinePsychologyPhenomenology (philosophy)PedagogyFamily medicineSociologyQualitative researchEpistemologySocial sciencePhilosophy

Résumé

récupéré en direct d'OpenAlex

PURPOSE: Remediation programs in postgraduate medical education aim to help struggling residents successfully complete their training and graduate. Research has mostly focused on educators' and program directors' perspectives on the development and quality of remediation programs. However, little is known about the experience of being remediated. This investigation aimed to understand how practicing family physicians who underwent remediation during their residency experienced their remediation program. MATERIALS AND METHODS: In this Interpretative Phenomenological Analysis (IPA) study, we purposively sampled six family medicine practitioners who underwent successful remediation as residents in a Canadian medical school. We individually interviewed them in-depth, one to six years after graduation. For data analysis, we combined IPA thematic and narrative techniques. RESULTS: While each participant had a unique experience of remediation, we identified a common longitudinal process of four consecutive periods: pre-remediation, remediation, and early and late post-remediation. All participants experienced the remediation announcement as shocking, surprising, and disruptive, as most were unaware that they were not reaching the expected competency standards. This triggered the hot-cognition learning process that characterized the initial phases of their remediation experience. During remediation, they went through a progressive reorganization of a self-coherent professional identity formation process, mediated by the interactions with their educators. In the early post-remediation phase, most participants accepted their teachers' and institution's educational evaluations and expectations. Some, however, started developing a dissonant professional identity vis-à-vis their community of practice. In the late post-remediation phase, most participants viewed their remediation experiences as beneficial to their career development, but others felt lasting harm, evidenced by less career satisfaction and practice advancement. DISCUSSION: The experience of being remediated in postgraduate medical education is an emotionally charged one. It is modulated by a variety of personal factors and surrounding features. The quality of interactions between residents who need remediation and their remediators appears to be a critical element in the success of a remediation program. Remediation, even when successful, is a shocking and emotionally challenging educational experience for those who undergo it, with important and lasting implications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,051

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,014
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0090,012
Communication savante0,0040,005
Science ouverte0,0020,006
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,410
Écart entre enseignants0,378 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMedical TeacherMême sujetInnovations in Medical EducationTravaux en français237 207