Conditions d’implantation du portfolio électronique « Aristote » dans un programme de formation en spécialité : une étude pilote en radio-oncologie
Bibliographic record
Abstract
\n Contexte : Au Canada, les programmes de formation en spécialités médicales introduisent progressivement des outils pédagogiques pour promouvoir le développement et l’évaluation des compétences selon le référentiel CanMEDS. À l’Université de Montréal un portfolio électronique, « Aristote », a été conçu sur une application open source portfolio (OSP) du projet SAKAI, pour favoriser le développement de ces compétences par une démarche réflexive. Objectif : Définir les conditions qui détermineront son utilisation par les résidents dans le cadre de leur programme de formation. Matériel et méthodes : L’utilisation du portfolio a été testée dans une spécialité, la radio-oncologie, auprès de treize résidents pendant une période de trois mois. Au terme de cette période, les opinions des résidents et de la directrice de programme ont été recueillies à l’occasion d’un groupe de discussion focalisée, structuré par un guide d’entretien. Tous les propos ont été enregistrés puis transcrits et analysés par l’étudiante de recherche. Résultats : Les conditions pouvant faciliter l’implantation du portfolio incluent : 1) que son utilisation soit obligatoire; 2) que le(la) directeur(trice) de programme soit motivé(e) par l’outil et impliqué(e) activement dans le projet; 3) qu’un but précis d’utilisation de l’outil soit identifié; 4) que le nombre de réflexions à colliger soit réaliste; 5) qu’il soit possible d’échanger les réflexions avec des pairs et/ou des superviseurs de stage et; 6) que l’étudiant puisse suivre l’évolution de ses réflexions dans le temps. Conclusion : L’utilisation du portfolio se heurte à plusieurs obstacles au sein des programmes de formation en spécialité. Elle est cependant possible si certaines conditions sont respectées. \n
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 | 0.020 | 0.042 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".