Application de principes de l’apprentissage en ligne pour concevoir une formation sur l’évaluation en simulation clinique en approche par compétences
Notice bibliographique
Résumé
Contexte : L’évaluation des apprentissages en simulation clinique est difficile pour les formateurs qui doivent porter un jugement lors de l’observation de la performance des étudiants. Or, les formations en ligne sur l’évaluation en simulation sont peu adaptées aux besoins des formateurs et devraient être conçues en s’appuyant sur des principes de l’apprentissage en ligne. But : Décrire la démarche de conception et d’évaluation d’une formation en ligne asynchrone sur l’évaluation en simulation clinique en approche par compétences, en mettant en évidence l’application de principes de l’apprentissage en ligne. Méthode : Le modèle ADDIE, le modèle du jugement évaluatif et des principes de l’apprentissage en ligne ont guidé la conception de la formation. Une analyse des besoins d’apprentissage a été menée auprès de formateurs et d’experts en simulation. Ceux-ci et des experts en formation en ligne ont évalué la conception, le contenu et des aspects technopédagogiques de la formation. Résultats : Les formateurs ont estimé que la formation avait répondu à leurs besoins d’apprentissage et leur degré de satisfaction était élevé. L’accessibilité, la flexibilité et l’interactivité ont été les aspects technopédagogiques les plus appréciés. La facilité d’utilisation a été moins appréciée en raison de difficultés de navigation. Les experts ont proposé des moyens pour améliorer cet aspect et ont estimé que les principes de l’apprentissage en ligne avaient généralement été appliqués de manière adéquate. Conclusion : L’application adéquate des principes de l’apprentissage en ligne a eu un impact positif sur la satisfaction des formateurs.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».