Analyse des impacts des technologies de l’information et de la communication sur l’enseignement et la pratique de la médecine
Bibliographic record
Abstract
Contexte : L’incursion des technologies de l’information et de la communication (TIC) entraîne d’importants développements dans le domaine de la santé. Ces technologies ont des impacts variés sur la pratique professionnelle, l’expérience vécue par les patients, la gestion et l’organisation des systèmes de santé. Méthode : Cette revue de la littérature présente les principaux impacts et défis engendrés par les TIC sur l’éducation médicale et la pratique de la médecine. Résultats : Quatre défis ont été identifiés. Le premier défi est celui de mieux préparer les futurs médecins à l’évolution du comportement des patients qui sont de plus en plus “branchés”. Le deuxième défi, intimement lié au premier, est celui de sensibiliser les futurs praticiens aux nombreux avantages que comportent les TIC pour la qualité des interventions et des soins fournis aux patients mais également, à un niveau plus large, pour l’organisation du système des soins de santé. Amener les futurs médecins à faire usage des TIC pour s’informer, apprendre et se perfectionner constitue le troisième défi présenté. La compétence informationnelle est notamment mise de l’avant comme une habileté devant impérativement faire partie de la formation de tout médecin. La question du e-learning est également abordée puisque ce mode d’enseignement, encore trop peu répandu dans bon nombre de facultés de médecine, constitue l’avenir de la formation médicale initiale ou continue. Les bases de données, l’animation 3D, les simulateurs et les communautés virtuelles sont également évoqués. Changer les pratiques en pédagogie médicale constitue le quatrième et dernier défi relevé dans la littérature scientifique.
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 | 0.022 | 0.101 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.008 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 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".