Formation par concordance : la théorie des scripts et son application en enseignement revisitées
Bibliographic record
Abstract
Contexte et problématique : La formation par concordance (FpC) est un puissant instrument de formation en ligne, basé sur la théorie des scripts. En éducation médicale, la FpC se présente de manière similaire à un test de concordance de script (TCS) (vignette clinique, hypothèse, nouvelle information, micro-jugement) mais alors que le TCS est destiné à l’évaluation, la FpC est un outil de formation dont l’intérêt repose sur la richesse des rétroactions dont bénéficie l’apprenant à savoir la répartition des réponses des panélistes, l’accès aux brèves explications que les panélistes ont données pour accompagner leurs réponses, et une courte synthèse éducative. Bien que son cadre théorique, la théorie des scripts, soit clair, la conception d’une FpC est complexe. De fait l’opérationnalisation du cadre théorique de la FpC n’a jamais été décrite. Objectif : Le but du présent article est ainsi de proposer un cadre d’opérationnalisation de la création d’une FpC, en utilisant comme socle l’exercice concret, étape par étape, de la création d’une FpC au sujet de la rhumatologie pédiatrique destinée à la formation des médecins de familles et des pédiatres généralistes. Méthodes : En adoptant une technique de groupe nominal, les échanges entre les créateurs de cette FpC (5 médecins pédiatres et/ou spécialistes en éducation médicale) ont permis d’aboutir à un consensus concernant chacun des concepts de la théorie des scripts et leur opérationnalité au regard de la création d’une FpC structurée dans une période de temps optimisé. Résultats : Un cadre opérationnel de création d’une FpC, sous la forme d’une synthèse des opérations conduisant à la création d’une FpC est finalement proposé.
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 | 0.036 | 0.137 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.005 | 0.024 |
| Scholarly communication | 0.011 | 0.019 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".