Digital Learning Tools in Postgraduate Family Medicine Training: A Scoping Review
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Medical education is undergoing a digital revolution, yet few studies have examined digital learning tools in postgraduate family medicine training. This scoping review aims to identify existing tools, describe their use, and suggest future research directions. METHODS: We conducted a search of six academic databases and gray literature in 2021 and updated it in 2022. We mapped full-text English or French publications from 2010 onward that featured digital learning tools for family medicine trainees based on tool types, learning outcomes, core competencies, and educational outcomes. RESULTS: Out of 2058 records, 39 studies met inclusion criteria. Twenty-six studies (66.6%) described online computer-based tools. Simulations, including virtual and augmented reality, were featured in seven studies (17.9%) and mobile applications in three studies (7.7%). The tools were designed to facilitate skills and knowledge in examination and procedures (36%), pathology (33%), pharmacology (23%), and communication (18%). The majority targeted competencies relevant to the practice of primary care in the community or office setting (82%), with fewer addressing maternal care (8%) and scholarship (8%). None addressed home/long-term care, hospital care, or leadership/advocacy. In terms of educational outcomes, most studies assessed knowledge/skills (72%), learning experience (59%), and attitudes (46%), while few evaluated behavioral change (5%), organizational impact (3%), or patient care (0%). CONCLUSIONS: We identified very few articles on digital learning tools in postgraduate family medicine education. Our findings reveal critical gaps, including limited integration of innovative technologies, unaddressed core competencies, and insufficient evaluation of the outcomes of digital learning tools.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,000 | 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 ».