Vers un modèle d’apprentissage réflexif. Recueil de traces d’apprentissage formulées dans les log books des stagiaires en médecine
Bibliographic record
Abstract
En faculté de médecine de Liège, les étudiants de 3e master en médecine parcourent différents lieux de formation clinique pour intégrer des apprentissages au sein des départements de spécialisations médicales. Depuis l’année académique 2008-2009, un dispositif pédagogique réflexif (Vierset, 2015) est installé au département de Gynécologie-Obstétrique (G-O) pour accompagner les apprentissages des stagiaires lors de leur parcours clinique. La question posée dans cet article est la suivante : comment se manifeste la posture réflexive dans leslog booksdes stagiaires et quelles formes prend-elle dans les traces formulées par les stagiaires? Autrement dit : que nous disent les traces récoltées à ce propos? La méthodologie de la théorisation enracinée (MTE) (Corbin & Strauss, 2014; Glaser, 1965, 1978, 1992; Glaser & Strauss, 1967/2010; Guillemette, 2006; Luckerhoff & Guillemette, 2012) propose une analyse compréhensive et interprétative des données. Les données (dans ce cas, des écrits des stagiaires) sont soumises, les unes après les autres, à une circularité d’analyses multiples afin d’identifier les liens conceptuels qui se construisent entre elles tout en les comparant progressivement les unes aux autres. Ce processus a permis l’émergence de catégories conceptuelles, à la fois enracinées dans le vécu des acteurs de terrain et théorisables (Glaser, 1965), dans le sens où le chercheur les organise petit à petit en une théorie émergeant des données recueillies. Le résultat est présenté sous la forme d’une modélisation des postures réflexives adoptées par les stagiaires qui dessine les différents axes de réflexivité avec leurs seuils menant à lac-ré-action(Vierset, 2015) d’une nouvelle professionnalité ancrée dans une dynamique en changement.
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 | 0.012 | 0.058 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.007 |
| Science and technology studies | 0.005 | 0.031 |
| Scholarly communication | 0.017 | 0.030 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.016 | 0.003 |
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".