L’approche d’apprentissage dans un curriculum médical précliniquebasé sur l’apprentissage par problèmes
Bibliographic record
Abstract
Contexte : Les étudiants approchent leur apprentissage d’une manière qui dépend de leur perception du contexte curriculaire. Or, la faculté de médecine et des sciences de la santé de l’université de Sherbrooke se soucie particulièrement de promouvoir un apprentissage en profondeur. But : Vérifier l’hypothèse que nos étudiants adoptent une approche d’apprentissage de plus en plus profonde au fur et à mesure qu’ils avancent dans le curriculum médical pré-clinique. Sujets et méthodes : 404 étudiants se portèrent volontaires. Leur approche d’apprentissage fut mesurée à l’aide du questionnaire R-SPQ-2F. Résultats : L’analyse factorielle en composantes principales confirme la structure en deux dimensions (profondeur, surface) du R-SPQ-2F. Les scores moyens de chacune des classes de 1e, 2e et 3e année quant à la dimension profondeur sont respectivement de 68, 65 et 66 %; pour la dimension surface, ces scores sont respectivement 41, 42 et 39 %. Aucune différence statistique n’est trouvée. Conclusions : Les étudiants en médecine à l’université de Sherbrooke privilégient l’approche d’apprentissage en profondeur : ils recourent de façon modérée à l’approche profonde; ils recourent de façon moins fréquente mais néanmoins significative à l’approche en surface. Ce profil ne change pas au fur et à mesure de l’avancée dans le curriculum préclinique. Ce profil est peut-être optimal ; il peut aussi résulter du « curriculum parallèle » ou encore de moyens d’évaluation qui solliciteraient moins que souhaité le recours à une approche d’apprentissage en profondeur.
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 | 0.021 | 0.059 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".