La motivation en formation des professionnels de la santé
Bibliographic record
Abstract
Problématique : La motivation est un concept qui fascine les chercheurs depuis de nombreuses décennies. Le milieu de l’éducation des professionnels de la santé s’y est intéressé plus récemment, en questionnant le postulat implicitement admis jusqu’alors, selon lequel les étudiants en médecine ou plus généralement en santé sont forcément motivés, en raison de leur engagement dans une formation très professionnalisante débouchant sur un métier bien spécifique. En effet, la motivation est un déterminant majeur de la qualité des apprentissages et de la réussite. Un défaut de motivation peut expliquer bien des situations de découragement, de désintérêt ou d’abandon, que les enseignants constatent parfois chez les étudiants en médecine ou en santé, avec un sentiment d’impuissance ou de résignation. Exégèse: Après avoir décrit l’importance de la motivation pour l’apprentissage lié à la formation en santé, ce guide définit le concept de motivation en l’ancrant dans une approche sociocognitive. Dans une deuxième partie, nous formulons un certain nombre de recommandations basées sur le « modèle de la dynamique motivationnelle », qui offre une multitude et une variété de leviers afin d’agir positivement sur la motivation des étudiants.
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 | 0.007 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 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".