Favoriser le développement du raisonnement clinique des étudiants en médecine : une démarche d’amélioration
Bibliographic record
Abstract
Contexte et problématique : La littérature scientifique récente nous force à constater que les étudiants en médecine rencontrent des difficultés pour développer leurs raisonnement clinique. De plus, il semblerait qu’ils gagnent à être stimulés afin de raisonner. Or, ils manquent d’opportunités et de ressources pédagogiques à cet effet. Comment encourager et rendre accessible l’apprentissage du raisonnement clinique, aux étudiants en médecine ? Buts : Présenter les réflexions qui ont conduit à la création d’un nouvel outil pédagogique numérique, visant à favoriser le développement du raisonnement clinique dans le contexte de soins, chez les étudiants de la faculté de médecine à l’Université de Genève. Description de l’innovation : Nous avons développé une vidéo reprenant une consultation médicale complète, exposant explicitement le raisonnement clinique du médecin durant l’anamnèse et l’examen physique. Nous dévoilons le « pourquoi » qui se cache derrière les questions et les gestes de l’examen clinique, et mettons ainsi du sens sur chaque parole et geste du médecin, lors d’une consultation. Conclusion : La valeur des connaissances des étudiants réside dans leur capacité à se les approprier, les exploiter et les réinvestir avec justesse dans une intervention clinique. Notre outil permet de soutenir l’apprentissage précoce du raisonnement clinique afin de permettre aux étudiants de mettre en valeur leurs connaissances en les exploitants de manière pertinente.
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 | 0.054 | 0.081 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.006 | 0.015 |
| Scholarly communication | 0.017 | 0.014 |
| Open science | 0.003 | 0.014 |
| Research integrity | 0.006 | 0.010 |
| Insufficient payload (model declined to judge) | 0.013 | 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".