Developing a framework for medical student feedback literacy using a triangulated thematic analysis
Notice bibliographique
Résumé
INTRODUCTION: Feedback literacy is critical for medical students to develop their competencies. However, a conceptualisation or framework of feedback literacy specific to the medical education context has yet to be developed. A comprehensive framework that addresses diverse feedback sources, dynamic environments, and the prioritisation of patient safety can guide the development of feedback literacy in medical students. MATERIALS AND METHODS: The present study explored and triangulated stakeholder perspectives (medical students, medical educators and patients) on medical student feedback literacy through semi-structured interviews. This information was then used to develop a feedback literacy framework. Data collection took place over approximately six months, from August 2023 to January 2024. RESULTS: Nine focus group discussions and 26 individual interviews were conducted, involving 38 medical students from 14 medical schools, 15 medical educators from six medical schools and 11 patients from four healthcare facilities. The resulting transcripts were thematically analysed, and stakeholder perspectives were triangulated to identify emerging patterns. A feedback literacy framework for medical students was then designed based on the coded themes. The framework comprises seven elements, including a fundamental appreciation of feedback, preparation for and engagement in the process, analysis and evaluation of information and the need for emotional regulation to effectively internalise feedback and become safe, competent doctors. CONCLUSION: This study builds on existing frameworks to reveal novel elements of feedback literacy. Patient safety and reflective practice emerged as new components of feedback literacy exclusive to medical students, while emotional regulation and the use of multiple feedback sources were adapted to fit the medical education context. Thus, this framework addresses an identified gap and advances the conceptualisation of feedback literacy to suit medical students better.
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 | 0,120 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,015 | 0,012 |
| Études des sciences et des technologies | 0,009 | 0,013 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,005 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».