Sélection des futurs médecins : sur quelles bases empiriques ?
Bibliographic record
Abstract
Contexte et problématique : Le processus de sélection des étudiants à l’entrée des études de médecine revêt un très fort enjeu sociétal, en ce sens qu’il conditionne le profil des étudiants entamant des études de médecine et donc, en partie, le profil des futurs professionnels. Il n’y a en fait pas de consensus concernant les meilleures méthodes de sélection. Les examens et concours à l’entrée des études de médecine reposent sur une diversité de manières de faire à travers le monde, dont, pour la plupart, la qualité n’a pu être empiriquement prouvée. Exégèse : Le présent article propose un recensement des différents processus et outils de contingentement des étudiants dans le domaine de la santé, pour en proposer une lecture actualisée et critique. Nous puisons également dans la littérature définissant le concept de validité pour nous questionner sur la qualité de ces outils, mais aussi sur la qualité méthodologique des études qui y réfèrent. Conclusion : Les données probantes justifiant la qualité de l’un ou l’autre dispositif de sélection des étudiants à l’entrée des études de médecine sont rares, soit parce que les dispositifs sont effectivement de faible qualité, soit parce que les études qui en justifient la qualité ne tiennent pas compte d’une vision moderne de la validité.
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 | 0.250 | 0.364 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.004 | 0.003 |
| Bibliometrics | 0.009 | 0.010 |
| Science and technology studies | 0.007 | 0.030 |
| Scholarly communication | 0.022 | 0.028 |
| Open science | 0.007 | 0.010 |
| Research integrity | 0.006 | 0.010 |
| Insufficient payload (model declined to judge) | 0.014 | 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; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
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".