Adaptive Expertise: Zooming in the Big Picture
Notice bibliographique
Résumé
The integration of adaptive expertise (AE), considered an advanced form of expertise, into CanMEDS2025 is underway, but there's a lack of clarity on its practical application. This study seeks to explore and identify specific instances of AE in the clinical context to better understand its real-world implementation and the necessary support structures required for education reform. We generated data from semi-structured interviews using a generic qualitative approach guided by constructivist grounded theory and rich pictures drawing to explore how expert physicians exhibit AE. We sought physicians who had completed all postgraduate medical training and had independently practiced for a minimum of five years within Canada, to ensure participants had accumulated a range of experiences in the clinical setting over time and sufficient domain knowledge to engage in AE. Expert physicians consider unique external contextual factors that cannot be controlled, such as weather or lack of resources (staff/other expertise, equipment, space, hospital area, time) to be novel circumstances. Their approach to challenges were framed by the surrounding contextual factors of the situation. They emphasize the importance of a knowledge foundation and skillset, teamwork, seeking resources, and understanding how the environment in which they work optimally enhances their expertise. This framework highlights critical aspects of AE in the clinical setting. To effectively implement AE in the curriculum, we must address the importance of the context outside the individual. Rather than emphasizing the individual, AE research should be redirected towards an examination of the environment, healthcare system, and support structures in place.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».