Mesure et évaluation des compétences en éducation médicale
Bibliographic record
Abstract
Depuis une centaine d’années, des chercheurs ont développé des théories, des modèles et des techniques permettant de mieux mesurer ou observer les apprentissages des étudiants. Le domaine de la pédagogie des sciences de la santé, pour sa part, est le terrain de nombreuses avancées en mesure et évaluation depuis les années 1990. Cependant, le secteur des construits complexes reste à développer, ce qui suscite de nombreux questionnements. Comment mesurer le jugement clinique ? Sur quelles théories édumétriques doit-on s’appuyer pour étudier les instruments de mesure ? Comment automatiser la notation ? Comment s’assurer de la validité des inférences lors de la mesure ou de l’observation du jugement clinique ? Comment mieux comprendre les mécanismes qui permettent de rendre compte du succès d’un programme d’intervention ? C’est à ces questions que le présent ouvrage veut répondre. Mesure et évaluation des compétences en éducation médicale est le fruit de la 37e conférence de l’Association pour le développement des méthodologies d’évaluation en éducation (ADMÉÉ- Canada), qui s’est tenue à Gatineau (Québec) en novembre 2015. Il fait état des plus récents travaux de chercheurs qui étudient la mesure et l’évaluation dans le domaine de l’éducation médicale et des pédagogies des sciences de la santé, des échanges qui ont découlé de leur présentation et des défis posés par les problématiques évoquées. Il s’adresse autant aux professionnels qu’aux chercheurs et étudiants qui s’intéressent à ces questions.
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 | 0.053 | 0.116 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.005 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 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".