Activité de formation clinique : intégration du numérique
Bibliographic record
Abstract
Introduction.Lors de la pandémie liée à la COVID-19, il était impossible d'accéder aux milieux cliniques pour réaliser les expériences de formation dans les programmes professionnalisants en santé.Dans un programme de formation universitaire en ergothérapie, un tiers-lieu d'apprentissage a ainsi été développé afin de permettre aux personnes étudiantes de réaliser leur formation clinique à distance.Bien que les activités en présence soient maintenant permises, le programme conserve l'exploitation du numérique.Ces changements vers le numérique requièrent une analyse critique afin d'assurer le développement optimal des compétences.But.Cette étude vise à explorer les répercussions, sur le développement des compétences, de la transformation obligée d'une activité de formation clinique traditionnelle vers un tiers-lieu d'apprentissage.Méthode.Pour y parvenir, un devis qualitatif de type analyse de matériel pédagogique a été sélectionné (Paillé, 2007).Résultats.Les résultats mettent en lumière que la nouvelle formule pédagogique favorise le développement des compétences en raison d'un alignement pédagogique cohérent.L'utilisation de la captation vidéonumérique de situations cliniques réelles augmente la signifiance des apprentissages, les documents collaboratifs permettent à la personne étudiante d'être active dans ses apprentissages et le jumelage de travail asynchrone et synchrone favorise sa réflexion sur les concepts clés de la profession.Discussion/Conclusion.Miser sur un alignement pédagogique cohérent pour les cours de formation clinique est essentiel au développement des compétences des étudiantes et étudiants inscrits dans un programme professionnalisant, d'autant plus que la pratique est de plus en plus exigeante et la technologie de plus en plus présente. Mots-clésTechnopédagogie, pédagogie universitaire, développement des compétences a. Département d'ergothérapie.
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 | 0.004 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.011 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.032 | 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".