Révision d’un cours d’oncologie de premier cycle en sciences infirmières à l’aide du processus d’évaluation des programmes de Taylor
Bibliographic record
Abstract
Après un diagnostic de cancer, les patients ont besoin d’un grand soutien et de soins infirmiers intensifs, et ce, peu importe le milieu de soins (Association canadienne des infirmières en oncologie [ACIO], 2015). Les avancées accomplies dans cette branche spécialisée des soins et leurs effets sur la pratique complexifient le rôle de l’infirmière. En outre, les progrès cliniques influencent la préparation des étudiants qui se dirigent vers ce domaine. L’inclusion d’un cours d’oncologie aux programmes de premier cycle permettrait l’acquisition de compétences fondamentales nécessaires à l’exercice de cette spécialité (Lockhart et al., 2013). À l’Université de Calgary, un cours de soins infirmiers en oncologie offert aux étudiants en quatrième année du premier cycle a récemment fait l’objet d’une évaluation pour vérifier que le contenu correspondait bel et bien aux réalités actuelles de la pratique. Depuis sa mise en place en 2011, le cours n’a subi que quelques mises à jour mineures; son contenu risquait donc d’être dépassé. La révision a été effectuée selon les critères d’évaluation de programme du Taylor Institute of Teaching and Learning (Dyjur et Kalu, 2016). Ses conclusions : il faut mettre davantage l’étudiant au centre de l’apprentissage, discuter de l’application des traitements récents et aborder les derniers développements en oncologie en mettant l’accent sur la pratique clinique.
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 | 0.098 | 0.168 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.009 | 0.005 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.012 | 0.006 |
| Open science | 0.004 | 0.009 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.009 | 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".