Feedback Quality in Geriatric Medicine: Analyzing Entrustable Professional Activities in a Competency-Based Curriculum
Notice bibliographique
Résumé
Background Competency-based medical education (CBME) aims to enhance the quality of medical training by providing timely, actionable feedback through entrustable professional activities (EPAs). However, variability in feedback quality remains a concern across residency programs. Methods We conducted a retrospective analysis of EPA feedback forms from a geriatric medicine program, comparing two distinct time periods: 2019–2020 and 2021–2022. This program averages eight residents per year with 30 full-time faculty members. The quality of feedback was assessed based on timeliness, task orientation, actionability, and polarity. Results 404 EPAs were initiated and completed in 2019–2020, with 69% (n=278) being timely, 89% (n=360) task oriented, 50% (n=203) very actionable, and 62% (n=250) corrective in polarity. 851 EPAs were initiated in 2021–2022 and 76% (n=645) were completed, with 64% (n=410) being timely, 78% (n=501) task oriented, 40% (n=259) very actionable, and 47% (n=305) corrective in polarity. Timely feedback was more likely to be task-oriented (χ2(1)=11.87, p<.001), actionable (χ2(2)=24.40, p<.001), and corrective (χ2(3)=22.80, p<.001) in the second timeframe. Compared to the second timeframe, EPAs completed in the first timeframe were more likely to be task oriented (χ2(1)=22.08, p<.001), actionable (χ2(2)=25.54, p<.001), and corrective in polarity (χ2(3)=25.89, p<.001). Conclusions Our study revealed lower quality feedback over time since implementing CBME at a geriatric medicine subspecialty training program. The root causes of the reduction in quality were not explored but are theorized to be multifactorial. Further investigation into the reasons for the reduction in feedback quality will help direct interventions to better sustain the quality of CBME implementation.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».