Etude prospective de l'évaluation des apprentissages du séminaire "relation médecin-patient" en autoévaluation
Bibliographic record
Abstract
Contexte : Depuis 2011, nous avons mis en place une restructuration du système d'enseignement du Diplôme d'Etudes Spécialisées de médecine générale à Poitiers. La certification d'un étudiant, donnant le droit d'exercer sa profession, nécessite la validation des six compétences transversales issues du Référentiel Métier du Comité National des Généralistes Enseignants. Pour ce faire, il est indispensable d'élaborer de nouveaux outils d'évaluation des formations, qui seront axés sur cet apprentissage par compétences, et qui seront destinés à évaluer les étudiants à terme. Objectifs : Amélioration de la formation théorique relation médecin-patient par la mesure du sentiment d'acquisition de compétence auprès des internes de médecine générale ; et mise en évidence des lacunes de l'enseignement du séminaire et de la cohérence entre le sentiment des étudiants concernant l'amélioration de la compétence après formation et le réel sentiment d'amélioration de la compétence sur une autoévaluation de consultation. Méthode : Notre étude prospective a reposé sur l'autoévaluation de deux promotions d'internes par l'intermédiaire d'une grille de Calgary-Cambridge avec une échelle de Likert à 4 niveaux. Ils ont choisi une consultation vécue, avant et après le séminaire. Les données ont été recueillies via l'Environnement Numérique de Travail de Poitiers et leur traitement a permis de visualiser la progression éventuelle des étudiants. Résultats : Plus de 70% des répondants se sont sentis validés pour la compétence relationnelle, et il est ressorti des différences significatives entre les deux promotions, en cours d'étude. La formation ne présente pas de lacune particulière et il existe une cohérence entre le sentiment d'amélioration de la compétence théorique et en autoévaluation. Conclusion : Notre outil d'évaluation a montré une bonne validité, et a mis en évidence, du fait de l'enseignement facultaire, un sentiment d'amélioration de compétence. Ainsi, nous avons franchi l'une des étapes nécessaires au processus de certification des étudiants.
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 | 0.023 | 0.047 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".