What Do We Become: The Transformative Nature of Technology in Medical Education
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The article is based on the ASME Gold Medal Address the author gave in Edinburgh in July 2025, and it explores the transformative nature of technology use and the lessons learned regarding what we become when we do use these tools and systems. Educational technologies are still sometimes used in ways that augment classroom and bedside learning, but they are rarely the focus of the conversation about technology in medical education. There is more investment in administrative, tracking and reporting technologies than in educational technologies. Indeed, on the surface, medical education today looks very similar to the way it looked decades ago, but what is happening underneath is quite different. Ambient technology means massive ambient surveillance but not by medical schools. Technology also supports backchannels between learners at different institutions and differentiated learning teams, which again do not seem to be issues that schools are attending to. This is all exacerbated by the rapid adoption of Generative Artificial Intelligence (GenAI) technologies. Given that the capabilities of a learner using technology are not the same as those of a learner not using technology and that education is all about altering capability states, why do medical educators not attend to tracking capability states (both actual and perceived)? When technology helps us to do certain things, it is always at a price. Medical educators need to better understand how technologies change beliefs, values, perceptions, customs and cultures that are central to training tomorrow's doctors.
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.
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 | 0,004 | 0,003 |
| 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 découle