Nieuwe tijden, nieuwe dokters. Competentiegericht opleiden
Bibliographic record
Abstract
De door het Centraal College Medische Specialismen (CCMS) gemaakte keus voor competentiegericht opleiden leidt tot grote veranderingen in de wijze waarop specialisten opgeleid worden. Een arts c.q. specialist moet natuurlijk in de eerste plaats medisch vakman zijn, maar hij moet in zijn beroepsuitoefening tevens goed kunnen communiceren met de patiënt, samen kunnen werken met collega’s, zijn zaken goed georganiseerd hebben, een academisch werk- en denkniveau hebben en bovenal een professional zijn. Deze veranderingen zijn vooral in gang gezet door maatschappelijke ontwikkelingen en veranderd overheidsbeleid, maar worden ook gestuurd door nieuwe onderwijskundige inzichten. Zowel landelijk als regionaal zijn met de modernisering van de medische (vervolg)opleidingen de afgelopen jaren de nodige ervaringen opgedaan. Wetenschappelijke verenigingen, opleiders en opleidergroepen zijn aan de slag gegaan met het maken van competentiegerichte opleidingsplannen, het formuleren van competentiegerichte opleidingsdoelen, het benoemen van opleidingsactiviteiten en met het ontwikkelen van toetsbeleid. In de opleidingspraktijk blijkt steeds vaker behoefte aan onderwijskundige achtergrondinformatie. In dit artikel worden enkele relevante vragen behandeld:
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 | 0.003 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.018 | 0.009 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.513 | 0.345 |
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".