Blended Learning Compared With Face-to-Face Learning Among Family Medicine Residents: Randomized Controlled Trial (Preprint)
Notice bibliographique
Résumé
Background: The medical education of French family medicine residents involves active, socioconstructivist-inspired small-group courses useful for skill acquisition. This is challenged by the increasing gap between the growing number of residents and the limited number of teachers. Blended courses have the potential to address this issue by reducing the duration of face-to-face sessions while preserving small-group courses. Objective: This study aimed to compare the effects of blended vs traditional, face-to-face, active, socioconstructivist learning on the acquisition of knowledge and skills by family medicine residents. Methods: We conducted a randomized controlled trial to compare a blended course and a traditional course. The blended course involved 2.5 hours of asynchronous e-learning and a 3-hour face-to-face session. The traditional course involved 5.5 hours of face-to-face teaching. Both courses were grounded in socioconstructivist principles and actively engaged residents. The primary outcome was residents' self-assessment of knowledge and skills. Secondary outcomes included satisfaction with knowledge- or skill-related learning objectives and academic achievement at 6 months. Results: We included 155 family medicine residents (n=78, 50.3% in the blended course and n=77, 49.7% in the traditional course). There was no significant difference between groups regarding the primary outcome (mean difference 0.40 [maximum mean difference 20] points, 95% CI -0.21 to 1.02; P=.19; Cohen d=0.21). No significant differences were observed for the secondary outcomes except for knowledge self-assessment, which was higher in the blended course but not educationally meaningful (mean difference 0.40 [maximum possible 10] points, 95% CI 0.07-0.71; P=.02; Cohen d=0.39). Conclusions: Blended courses can help sustain socioconstructivist small-group teaching methods while accommodating a growing family medicine resident population, with no deleterious impact on knowledge and skill self-assessments.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».