Bibliographic record
Abstract
<p><b>Contexte </b>: L’apprentissage en milieu clinique est à la fois le plus riche pour les apprenants (résidents ou externes) et le plus stressant pour le superviseur (médecin), en particulier dans un contexte de salle d’attente surchargée, de situations critiques multiples, etc. Pourtant, il existe diverses stratégies que le clinicien-enseignant peut appliquer dans son milieu pour garantir une formation en toute circonstance. Cet atelier s’adresse à tous les superviseurs qui souhaitent élargir leur coffre à outils pour offrir un enseignement non structuré de qualité à leurs apprenants. </p> \n<p><b>Objectifs </b>: • Comprendre le raisonnement clinique de l’apprenant; • Découvrir et appliquer des trucs et astuces pour la supervision en milieu clinique (one-minute preceptor, priming, et si, méthode orthopédique, observation et rôle-modèle, lions-tigres-ours, méthode socratique, SNAPPS, etc.). </p> \n<p><b>Stratégies pédagogiques actives utilisées </b>: En se basant sur le cadre théorique du raisonnement clinique, nous présenterons différentes stratégies, et les appliquerons avec multiples vignettes pédagogiques et jeux de rôles. </p> \n<p><b>Résultats anticipés pour les participants</b> : Grâce à la complémentarité de deux urgentistes et d’une experte scientifique sur le thème du raisonnement clinique, les participants repartiront de l’atelier avec des outils pratiques basés sur un modèle théorique robuste pour leur supervision en milieu clinique.</p>
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.014 |
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".