Notice bibliographique
Résumé
Feedback is emotional.We have all experienced anger, sadness and pride after receiving feedback comments on work we cared about.How much do reviewer 2's comments on a rejected manuscript sting?! Indeed, medical education research often speaks of learners' emotions at receiving feedback information.However, when it comes to how educators work with these emotions to leverage change, we are on less certain footing.In what follows, I briefly summarise my 2025 ASM keynote in three parts.First, I present literature on feedback and emotions.Second, I seek to define emotions in relation to feedback highlighting possible expansions.Third, I offer avenues for leaning into feedback emotions.My thesis is simple: If educators and learners had better strategies for working with feedback emotions, this may enable more productive feedback conversations and less feedback avoidance.I adopt a definition of feedback as scaffolding learners to make sense of performance-relevant information for learning [1].Emotions, I conceptualise, as multifaceted, situated and complex [2].They are central to learning, memory, reflection and growth.I use feelings and emotions interchangeably here recognising that in certain paradigms, feelings are differentiated from emotions through language and conscious thought.In my worldview, everything is given to us through language.I have no access to biological emotions except through language and story.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,012 |
| Communication savante | 0,013 | 0,010 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».