Le test de concordance de script comme outil d’enseignement et d’apprentissage : un projet-pilote pour les étudiants de première année de médecine
Bibliographic record
Abstract
Contexte : Les étudiants en médecine peuvent éprouver de la difficulté à organiser leurs connaissances théoriques d’une façon qui soit adaptée à la pratique clinique. Méthodes : Le test de concordance de script (TCS), outil habituellement utilisé pour évaluer le raisonnement clinique, a été employé dans un but pédagogique pour amener les étudiants à utiliser en contexte clinique les connaissances qu’ils viennent d’acquérir. L’activité de petit groupe a été réalisée pour les étudiants de première année à la fin du cours de Sciences Hématologiques à l’Université de Montréal. Un questionnaire anonyme demandant aux étudiants de décrire les points forts et les points faibles de l’activité a été administré à la fin de l’activité. Résultats : L’activité a été appréciée à la fois par les étudiants et par les tuteurs. Les points forts identifiés par les étudiants incluent l’occasion de discuter et réviser les notions apprises, d’intégrer leurs connaissances et de développer le raisonnement clinique. Conclusion : Le TCS peut être employé de façon formative pour des étudiants n’ayant que peu d’expérience clinique. Les réflexions et discussions induites par le format des questions semblent favoriser l’intégration des connaissances.
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 | 0.103 | 0.228 |
| 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 | 0.004 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".