İntern Hekimlere Yönelik “I. Basamakta Hasta-Hekim İlişkisi” Dersinde Jigsaw Tekniğinin Kullanımı
Bibliographic record
Abstract
Amaç: Bu çalışmanın amacı, intern hekimlere yönelik gerçekleştirilen “I. Basamakta Hasta-Hekim İlişkisi” başlıklı derste kullanılan işbirlikli öğrenme yöntemi JT ile ilgili öğrenci görüşlerini değerlendirmektir.Gereç ve Yöntem: Araştırma, Ege Üniversitesi Tıp Fakültesi Halk Sağlığı stajındaki 50 intern hekim ile gerçekleştirilmiştir. Öğrenciler 5’erli 12 gruba ayrılmış, her gruptan bir öğrenci seçilerek uzman grupları oluşturulmuştur. Ders materyali olarak kullanılan Calgary-Cambridge Gözlem Rehberi’ndeki 5 konu başlığı uzman gruplarına dağıtılmıştır. Uzman gruplarında konuyu tartışan öğrenciler, ilk gruplarına dönerek öğrendiklerini paylaşmıştır. Son olarak büyük grup tartışması düzenlenmiş, tüm konu başlıkları gözden geçirilmiştir. Öğrencilerden ders ile ilgili yazılı geri bildirim alınmıştır. Elde edilen niteliksel verilerin içerik analizi MAXQDA software kullanılarak yapılmıştır. İçerik analizinde tema, kod belirlenmiş ve sözcük bulutu yapılmıştır.Bulgular: İçerik analizinde olumlu görüşler (memnuniyet, konu önemi, öğrenilenleri mesleğe aktarabilme, interaktif yöntem, farklı deneyim paylaşılması, dersin refleksiyon etkisi, JT’nin öğrenmeye etkisi, dersin verilme dönemi), olumsuz görüşler (JT, dersin uzunluğu, ders konusu, süre yetersizliği, eğitim ortamı, gruplarda konu dağılımı, öğrenmeye direnç, hazır-bulunuşluk, dersin veriliş dönemi), öneriler (JT’ne öneriler, farklı öğretim yöntemi önerileri, ders süresi, farklı hastalara yaklaşım) başlıklı 3 tema-27 kod oluşturulmuştur. Sözcük bulutunda olumlu görüşler temasında ders konusuna (hasta, hekim, iletişim) ve dersin niteliğine (güzel, önemli); olumsuz görüşler temasında JT’ne (grup) ve dersin süresine (ders, zaman, süre, uzun) ilişkindir. Sonuç: Hasta-hekim ilişkisi konusu, JT’nin modifikasyonu ile kullanılabilir.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.037 | 0.008 |
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".