Optimiser l’usage des cartes conceptuelles dans l’apprentissage par problèmes (APP) dans le cursus préclinique : le point de vue des enseignants
Bibliographic record
Abstract
Problématique : La carte conceptuelle (CC) est une stratégie d’apprentissage populaire en éducation des sciences de la santé. Elle est notamment utilisée pour soutenir l’organisation des connaissances, dans l’apprentissage par problème (APP) en formation médicale pré-clinique. On dispose cependant de peu de données sur la meilleure façon de l’utiliser dans ce contexte pédagogique. But : Cette étude exploratoire visait à déterminer si les responsables des cours d’APP de la formation médicale au pré-clinique partagent une conception commune des objectifs pédagogiques de la construction des CC et de la nature et de l’organisation des connaissances qui devraient être représentées dans la CC pour favoriser l’atteinte des objectifs visés. Méthodes : Cette recherche est une étude de cas interprétative, à laquelle ont participé huit enseignants responsables des cours d’APP. Chaque participant devait construire une CC à partir d’un cas-problème typique de son cours. Le recueil de données s’est fait au travers de l’enregistrement vidéo de la verbalisation concomitante durant la séance de construction de la CC, l’observation directe et le recueil des traces de l’activité et l’entretien semi-dirigé de groupe. L’analyse des données a consisté en une analyse thématique de contenu des données verbales et des traces écrites et graphiques recueillies. Résultats : Selon les participants, l’objectif pédagogique des CC est de favoriser la construction d’une représentation cohérente des mécanismes causaux permettant d’expliquer le problème clinique du cas. Les connaissances biomédicales sont représentées dans la CC sous forme d’une structure causale reliant la pathologie aux données cliniques du cas, regroupées en « catégories cliniques ». Des conceptions pédagogiques partagées sur la façon d’optimiser l’usage des CC dans l’APP ont été identifiées. Conclusion Notre recherche a permis de formuler des recommandations pour favoriser un meilleur alignement pédagogique de la construction des CC et des objectifs pédagogiques visés dans le cadre de l’APP.
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 | 0.024 | 0.060 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.004 | 0.008 |
| Scholarly communication | 0.016 | 0.014 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.016 | 0.004 |
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".