Concevoir une formation par concordance pour développer le raisonnement professionnel : quelles étapes faut-il parcourir ?
Bibliographic record
Abstract
Contexte : Développer le raisonnement est une nécessité dans la formation des professionnels de la santé. La formation par concordance (FpC) est une approche pédagogique qui place les apprenants dans des situations authentiques. Les questions posées sont celles que se posent les professionnels dans leur pratique et les réponses sont comparées à celles qu’ont données les membres d’un panel de référence. But : Décrire les variables dont il est nécessaire de tenir compte pour concevoir une FpC. Méthodes : Ces variables sont au nombre de six : 1) les buts de l’activité pédagogique ; 2) la nature de la tâche ; 3) le contenu et le niveau de complexité ; 4) le panel de référence ; 5) les rétroactions ; 6) l’environnement numérique d’apprentissage. Résultats : Les exemples illustrés dans cet article permettent de constater la versatilité de cette approche pour mettre l’accent sur les divers éléments critiques au raisonnement de diverses professions. Conclusion : Les exemples présentés illustrent comment il est possible de mettre au point des outils de FpC qui se prêtent à l’amélioration à chaque itération. Il est désormais possible d’imaginer qu’un jour cette approche à la formation fera partie importante de toute formation professionnelle.
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 | 0.119 | 0.168 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.012 | 0.020 |
| Scholarly communication | 0.016 | 0.015 |
| Open science | 0.005 | 0.018 |
| Research integrity | 0.006 | 0.009 |
| Insufficient payload (model declined to judge) | 0.013 | 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".