Assessing the Quality of Narrative Feedback in Entrustable Professional Activities Using the EFeCT Feedback Scoring Tool
Notice bibliographique
Résumé
BACKGROUND: Competency-based medical education (CBME) is the cornerstone of undergraduate training in Canada. Entrustable professional activities (EPAs) assess competency in professional tasks, with narrative feedback being a key component. There is currently a lack of published literature on the quality of narrative feedback in EPA observations in undergraduate medical education. This study explores the quality of narrative feedback in EPA observations provided to medical students. METHODS: The quality of narrative feedback in a random sample of anonymised EPA observations from Year 3 students was evaluated using the Evaluation of Feedback Captured Tool (EFeCT). The EFeCT tool explores five facets of quality feedback, with a score of five indicating high-quality feedback. Three evaluators independently assessed the quality of narrative feedback using the EFeCT tool. Any differences in score were resolved through discussion to reach consensus. RESULTS: In the 2022-2023 academic year, 15,240 EPA observations were completed for year 3 students. A subset of 748 observations was analysed. Of these, one scored 0, seven scored 1, 33 scored 2, 115 scored 3, 151 scored 4 and 441 scored 5 on the EFeCT tool. The mean EFeCT score was 4.3. CONCLUSIONS: Overall, the majority of EPA narratives provided moderate to high-quality feedback to students. However, variability was evident, and many EPA narratives were missing one or more elements of high-quality feedback. This could result in significant implications for learner development. Addressing contextual factors such as clinical workload and creating faculty development opportunities may support faculty in providing high-quality narrative feedback.
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 | 0,011 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».