Questions de planification clinique : un nouvel outil pour évaluer la capacité des étudiants en médecine à identifier les éléments-clés discriminants d’un diagnostic différentiel
Bibliographic record
Abstract
Contexte : Les outils actuels d’évaluation du raisonnement clinique n’évaluent pas spécifiquement une habileté majeure pour le clinicien novice, soit l’identification des éléments-clés spécifiques des diagnostics différentiels. Nous avons répondu à ce besoin en développant une nouvelle modalité d’évaluation : les questions de planification clinique (QPC). Objectif : Présenter cette modalité d’évaluation et en documenter les qualités psychométriques. Méthodes : À l’automne 2012, une QPC a été intégrée à l’examen écrit du cours Démarche clinique 1 (DC1) (n = 222) et une autre à celui du cours Démarche clinique 3 (DC3) (n = 216). Nous avons comparé les qualités psychométriques (difficulté, discrimination, validité prédictive) des QPC à celles des autres modalités d’évaluation écrites du raisonnement clinique utilisées dans ces deux examens. Les résultats à l’examen pratique à la fin de DC1 et de DC3 ont servi de critère pour évaluer la validité prédictive. Résultats : Dans les deux examens, la QPC se situe à un niveau de difficulté modéré selon le barème utilisé. L’indice de discrimination de la QPC est de 0,39 dans l’examen de DC1 et de 0,15 dans celui de DC3. La QPC n’est pas corrélée de manière significative aux résultats aux examens pratiques de DC1 et de DC3, à l’instar de la grande majorité des autres types de questions. Conclusion : Les QPC apparaissent comme une nouvelle modalité d’évaluation écrite du raisonnement clinique qui est facile à concevoir, complémentaire aux autres modalités et dont les qualités psychométriques sont similaires ou supérieures.
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 | 0.088 | 0.206 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.007 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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".