Advancing Medical Education: Assessing Technology‐Enhanced Learning Through the Lens of the Canadian Medical Education Directions for Specialists (CanMEDS) Framework—A Perspective Study
Notice bibliographique
Résumé
Background and Aims: The CanMEDS framework is a widely adopted competency-based model that defines essential roles for physicians to ensure high-quality patient care. Technology-enhanced learning (TEL) has emerged as a transformative approach in medical education, offering flexible, interactive, and personalized learning experiences. This study explores the integration of TEL within the CanMEDS framework assessment model to enhance competency evaluation in medical education. Methods: This perspective study reviews the evolving role of TEL in medical education and its alignment with the seven CanMEDS roles: Medical Expert, Communicator, Collaborator, Leader, Health Advocate, Scholar, and Professional. It examines the benefits and challenges of TEL integration, including innovative assessment methods such as virtual simulations, artificial intelligence, and mobile applications. Results: TEL provides significant advantages in accessibility, scalability, and cost-effectiveness of competency assessments. Virtual reality and AI-driven tools enable realistic clinical scenarios and personalized feedback, improving the evaluation of complex skills. TEL also supports continuous learning and collaboration through digital platforms. However, challenges include ensuring assessment validity and reliability, addressing institutional barriers, faculty training needs, ethical concerns regarding data privacy, and disparities in technology access. Conclusion: Integrating TEL into the CanMEDS framework enhances medical education by offering innovative, flexible, and effective assessment methods. To maximize benefits, institutions must address technological, ethical, and pedagogical challenges through comprehensive implementation plans, faculty development, and clear guidelines. Emerging technologies hold promise for further advancing competency-based education, ensuring future physicians are well-equipped to meet evolving healthcare demands.
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 | 0,012 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,008 | 0,012 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».