Supporting self-regulated learning in medical school: a national survey
Notice bibliographique
Résumé
Background: Learning plans (LPs) are an educational tool that allows learners to take an active role in their training and are therefore well suited to support self-regulated learning (SRL) within competency-based medical education (CBME). In medical education, LP use has been mostly explored at the postgraduate level, however undergraduate medical education (UGME) is also transitioning to CBME. An effective means of tracking students’ progress along their learning trajectory and preparing them for SRL in residency is not clear. Our recently conducted scoping review on LP use in UGME identified several benefits to LPs, suggesting they can be a useful tool to support SRL skill development for medical students. Objectives: Determine how Canadian medical schools are using LPs as well as identify barriers and facilitators to their use. Methods: We will follow Phillips et al’s (2022) six step approach for survey design. Results of a literature search on LP use in other health professions education programs combined with results of our scoping review will be used to generate a list of barriers and facilitators to LP use. Guided by goal-setting and SRL theories, a web-based survey questionnaire will be developed to assess LP use in 17 Canadian UGME programs. Data analysis will include descriptive, quantitative, and content analyses. Significance: Results will inform the creation of a framework for LP design, assessment, and implementation in Canadian UGME programs. Adoption of LPs at this stage of medical education may facilitate the translation of SRL skills into residency training.
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 | 0,008 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».