Favoriser la position d'apprentissage grâce à l'interaction superviseur-supervisé
Bibliographic record
Abstract
Contexte et problématique : En supervision clinique, l'apprenant gagne à adopter certaines attitudes et cognitions lui permettant de mieux profiter des opportunités d'apprendre, constituant ainsi une "position d'apprentissage" c'est-à-dire orientée par l'apprentissage où l'évaluation est perçue surtout comme formative et intégrée au cheminement normal du médecin en devenir. Méthodes : Au fil des années, la mise à l'essai de divers exercices pratiques au cours d'ateliers a permis d'élargir la compréhension des conditions et stratégies concrètes pour y arriver, notamment la reconnaissance de la diversité des stratégies d'apprentissage et des obstacles susceptibles de s'y opposer. Résultats : L'intégration systématique d'un atelier sur le sujet dans le curriculum du programme d'études postdoctorales en médecine de famille et la référence fréquente à ce concept en supervision clinique constituent des retombées concrètes de ces travaux. Ces travaux de type recherche-action ont aussi permis de confirmer que le caractère ouvert et bienveillant des interactions entre le superviseur et le supervisé facilite l'adoption d'une position d'apprentissage, permettant à l'apprenant de prendre conscience de ses progrès graduels tout en renforçant son sentiment de compétence. Conclusion : La responsabilité de réunir les conditions facilitant une position orientée vers l'apprentissage incombe tant à l'apprenant qu'à son superviseur.
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 | 0.018 | 0.040 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".