Medical School Use of Competency Frameworks in Learning Objectives and Curriculum
Notice bibliographique
Résumé
Medical schools use diverse language in their learning objectives, including those at the program, course, and event level. Schools may choose to write original learning objectives, use an existing competency frameworks’ language exactly as is, or customized an existing competency frameworks’ language to best fit their school. This study examines the question – which competency frameworks do US allopathic medical schools in their learning objectives, how do they use them, and how does this play out in curriculum? Four frameworks are examined: the Association of American Medical Colleges (AAMC) Physician Competency Reference Set (PCRS), the Accreditation Council on Graduate Medical Education (ACMGE) core competencies, the AAMC Entrustrable Professional Activities (EPAs), and the Royal College of Physicians and Surgeons of Canada CanMeds enabling competencies. When examining Liaison Committee on Medical Education (LCME) accredited, United States-based allopathic medical schools’ curricular data from 2014-2020, results show that a majority of schools (82 unique schools) use one or more of the four frameworks in the language of their program objectives. There is an upward trend over time of schools incorporating language from frameworks into their learning objectives. When examining unique school uses, the most often chosen of the four frameworks is the AAMC PCRS at the program, course, and event objective level. When examining whether schools use a framework’s language exactly as is, or adapt it to add additional characters, the more common approach is to adapt the frameworks’ language for school-specific learning objectives.
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 | 0,000 | 0,002 |
| 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 | 0,000 |
| 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) | 0,002 | 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 ».