Former en ligne au recrutement de patients partenaires : l’apport des formations par concordance
Bibliographic record
Abstract
Contexte et problématique : L’un des nombreux défis auxquels s’affrontent ceux qui entreprennent des projets de partenariat avec des patients est le recrutement des patients. Afin de rehausser l’efficacité du recrutement, la formation est un élément incontournable. Nous avons développé à cet effet une formation par concordance (FpC) diffusée en ligne, destinée à ceux qui entreprennent des projets de partenariat. Objectifs : Les buts de cet article sont de (1) présenter comment la FpC a été adaptée pour permettre l’apprentissage au recrutement de patients partenaires ; (2) décrire les défis techno-pédagogiques posés par l’utilisation de Moodle et les solutions qui ont été trouvées. Exégèse : Notre démarche a permis de démontrer que la FpC peut être adaptée pour des contextes pédagogiques différents, que des utilisations habituelles en formation clinique et que les outils classiques de Moodle peuvent être configurés à cet effet. Nous proposons que ce type d’adaptation, qui pourrait être utilisée dans d’autres contextes, porte le nom de FpC interprétative (FpCi).
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 | 0.029 | 0.105 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.002 | 0.011 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.013 | 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".