Facilitating Formative Feedback in Midwifery Education: A Narrative Review
Notice bibliographique
Résumé
Background: Effective formative feedback is an important educational intervention in clinical learning. Receiving formative feedback enhances knowledge and skill acquisition and promotes reflective practice. The provision of feedback is a critical component of this education and requires a bidirectional process between learner and preceptor. Despite this critical role in health profession learning, there has been limited exploration of how preceptors provide feedback in the Ontario midwifery education setting. Aim: To determine strategies for how formative feedback could be provided in the Ontario midwifery education setting to maximize students’ clinical learning. Methods: We conducted a narrative literature review using PubMed, Ovid MEDLINE, and CINAHL databases. Following our initial search, each title and abstract was assessed for inclusion for full text review. The final data set was reviewed and coded in order to undertake a descriptive thematic analysis. Findings: There is little Ontario-specific midwifery feedback literature. Thematic analysis identified that understanding best practices for feedback, preparing both student and preceptor for a feedback relationship, and using a written format and a standardized assessment tool for feedback are strategies that can optimize learning in the clinical setting. The need for improved formative feedback provision has been identified in other midwifery jurisdictions, resulting in the introduction of workplace-based assessment tools to provide structured, high-quality feedback. The introduction of such a tool, specifically the midwifery mini-clinical evaluation exercise tool, may promote improved learning for students. This article has been peer reviewed.
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 | 0,012 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».