Making a case: validating criterion-referenced guidelines for virtual patient case authoring
Bibliographic record
Abstract
Les patients virtuels sont un volet très utile de l'informatique appliquée à l'enseignement médical. Or, la documentation disponible est en grande partie théorique. Il existe peu de recherche empirique sur (a) des résultats mesurables et (b) des éléments de cas efficaces de patients virtuels. On ne trouve pas de principes directeurs de conception, basés sur des principes de pédagogie, de cognition et d'identification de spécifications intéressantes sur le plan technique. La présente étude qualitative de cas multiples a développé et validé des principes directeurs pour la conception qui sont fondés sur la recherche et la théorie, qui englobent tous les aspects et qui sont valables sur le plan pédagogique. Neuf membres du corps professoral de six écoles de médecine, choisis pour leur expertise et leur influence en informatique de l'enseignement médical, et leur expérience en création de cas de patients virtuels, ont proposé leurs propres critères pour la conception de cas et ont étudié les principes directeurs à référence critérielle mis au point pour cette étude. Cinq de leurs cas ont été examinés par rapport à ces principes directeurs. L'accès aux principes directeurs a augmenté le nombre de critères de conception cités comme étant importants. Les principes directeurs validés peuvent désormais servir à l'avancement de la recherche et développement concernant l'informatique de l'enseignement médical et les cas de patients virtuels.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.138 | 0.430 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.010 | 0.004 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.005 | 0.007 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".