Bibliographic record
Abstract
Dans cette publication, Jalali et coll.explorent l'efficacité de Twitter et des médias sociaux dans le contexte de l'enseignement médical par le biais d'une observation ethnographique et d'une analyse documentaire.Ils rendent compte des effets positifs potentiels que les médias sociaux offrent à l'éducation, des possibilités de développement futur et des recommandations pour des études ultérieures. ENTRETIEN AVEC LA DRE KORI LADONNADans cette entrevue, la Dre LaDonna partage son cheminement de carrière, ses objectifs de recherche et ses perspectives sur l'éducation médicale.Des réflexions sur les rôles CanMEDS, sur ce que nous pouvons faire contre le syndrome de l'imposteur et sur l'avenir de l'éducation médicale sont partagées dans ce dialogue honnête et réfléchi.Au Journal médicale de l'Université d'Ottawa, nous sommes impatients de voir les changements qui seront mis en œuvre en 2023, alors que notre communauté médicale continue de s'interroger, de réfléchir et d'innover.Au nom de l'équipe du Journal de l'Université d'Ottawa, je vous souhaite le meilleur dans vos recherches et votre pratique, et j'espère que vous apprécierez la lecture de ce numéro.
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 | 0.012 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.010 | 0.036 |
| Scholarly communication | 0.017 | 0.021 |
| Open science | 0.002 | 0.020 |
| Research integrity | 0.008 | 0.017 |
| Insufficient payload (model declined to judge) | 0.034 | 0.013 |
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".