Interventions en supervision directe pour développer la compétence du résident : une recherche qualitative
Bibliographic record
Abstract
Contexte : La littérature médicale sur la supervision directe a davantage exploré les contenus abordés en supervision que les stratégies utilisées par les superviseurs pour atteindre les objectifs pédagogiques. St-Arnaud a proposé un modèle intégré de stratégies pour développer la coopération en relation d’aide. Objectif : Cet article vise à tester le modèle de St-Arnaud en formation médicale et à identifier les stratégies de superviseurs experts en supervision directe pour maintenir une relation de coopération et faciliter les apprentissages professionnels de résidents en médecine de famille. Méthodes : Ces stratégies ont été identifiées à l’aide d’une recherche exploratoire qualitative basée sur une série d’études de cas. Trois superviseurs experts, reconnus par leurs pairs, ont été observés durant trois demi-journées de supervision avec trois résidents chacun. Le verbatim des entretiens a été codé et analysé par deux chercheurs selon le schéma d’analyse de St-Arnaud. Après chaque session, le superviseur et le résident ont été interviewés individuellement sur les stratégies du superviseur. Résultats : Quatre niveaux complémentaires d’intervention sont mis en évidence durant la supervision : 1. gestion du processus de supervision ; 2. résolution du problème à travers la compétence du résident ; 3. résolution du problème selon l’expertise du superviseur ; 4. démarche réflexive du résident. Diverses stratégies et procédés sont utilisés à chaque niveau d’intervention et aux différentes étapes de la supervision. Conclusion : Les niveaux d’intervention et les stratégies aident les superviseurs à favoriser la collaboration et les apprentissages du supervisé. L’identification de ces stratégies facilitera la formation des superviseurs.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 0.006 |
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; both teacher heads 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".