Towards the identification of family physician learning needs through a reflective process
Notice bibliographique
Résumé
Contexte Les personnes impliquées dans le domaine du développement professionnel continu (DPC) cherchent constamment des meilleurs moyens de collecter et d'utiliser des données pour déterminer les besoins des médecins en éducation continue. Questions de recherche1) Est-ce que des besoins d'apprentissage des médecins de famille sont révélés à travers le processus de réflexion suscitée par la Méthode d'évaluation des informations (MEI)?2) Quelle est la signification des évaluations des « Highlights » pour l'identification et le choix des priorités concernant les besoins d'apprentissage des médecins de famille canadiens? Méthodes Une recherche utilisant des méthodes mixtes a été conduite (devis séquentiel explicatif). Des données quantitatives ont été collectées avec la MEI sur une période de 22 semaines via un programme d'éducation continue en médecine familiale avec une ressource internet, e-Therapeutics+ 'Highlights'. Six informateurs clés experts en DPC ont été interrogés sur la signification des données obtenues avec la MEI, et les utilisations possibles de ces données pour évaluer les besoins d'apprentissage. Résultats 3690 médecins de famille ont participé (taux de participation : 31.4%). En moyenne, 675,2 questionnaires MEI ont été complétés par 'Highlight' (414 - 1176). En moyenne, 54,5% des participants ont appris quelque chose de nouveau, 45,7% étaient motivés pour en savoir plus, et 59,3% ont trouvé des informations pertinentes pour au moins un de leurs patients. Les informateurs clés ont trouvé que les réponses 'motivation pour en savoir plus' peuvent suggérer des besoins d'apprentissage des participants lorsqu'elles sont combinés avec des données provenant d'autres sources, et que les réponses 'j'ai appris' et 'information pertinente' peuvent révéler des informations sur les connaissances des participants. Conclusions Avec des données d'autres sources, les données obtenues avec la MEI peuvent suggérer des besoins d'apprentissage, et révéler des sujets pour lesquels les médecins ont amélioré ou confirmé leurs connaissances.
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 | 0,077 | 0,143 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».