Accompagner au changement des pratiques de médecins généralistes en formation en santé : Une approche orientée par l’activité et l’acceptabilité des usages du numérique en contexte de crise
Bibliographic record
Abstract
Les conditions de travail des étudiants internes de médecine générale lors de leurs stages en secteur hospitalier sont souvent dégradées par des horaires surchargés, un nombre important d’astreintes mensuelles et un suivi tutoral insuffisant augmentant leur peur de l’erreur médicale et leurs risques psychosociaux. Ce constat a conduit certaines facultés de médecine à améliorer le potentiel d’apprentissage de ces stages tels que conçus en alternance avec les périodes consacrées à leur formation à l’université. Cet article rend compte d’un accompagnement au changement des pratiques de médecins enseignants en poste, diplômés de leur thèse de doctorat et chargés de cette formation universitaire, en tension entre la nécessité d’innover en pédagogie et la réalité d’un travail à flux tendu avant et pendant la crise sanitaire de COVID-19. Son objet est une formation hybride (blended-learning) articulant des cours en présentiel, distanciel synchrone et asynchrone fondée sur des usages variés du numérique susceptibles de limiter les facteurs de risques psychosociaux des étudiants. Notre analyse mobilise deux modèles conceptuels complémentaires : le premier est la théorie unifiée de l’acceptation et de l’utilisation du numérique (Venkatesh, Thong et Xu, 2012) et le second, le modèle des phases de préoccupation de Bareil (2004, 2009). Nous avons récolté des données mixtes dans une perspective à la fois compréhensive et explicative des variables agissantes sur ce processus de changement et l’acceptabilité du numérique. L’originalité de nos résultats est d’éclairer ce processus à partir d’une approche orientée « activité du sujet et acceptabilité des usages ». Nous concluons sur le rôle des ingénieurs pédagogiques dans le soutien des équipes de professionnels de la santé vers l’innovation et le développement de leurs compétences en enseignement universitaire, en nous appuyant sur les travaux de la recherche en éducation et en formation.
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 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".