Conception d'une activité d'apprentissage authentique utilisant un simulateur virtuel dans le programme Technologie de radio-oncologie
Bibliographic record
Abstract
Le programme collégial Technologie de radio-oncologie vise la formation des technologues en radio-oncologie qui ont la responsabilité de prodiguer les traitements de radiothérapie aux personnes atteintes du cancer. Les technologues en radio-oncologie doivent non seulement administrer les traitements de radiothérapie, mais également analyser au préalable les plans de traitement des patientes et des patients. Cette analyse préliminaire permet aux technologues de comprendre les traitements dispensés et s’avère primordiale pour assurer des soins de qualité. Le jugement professionnel des technologues s’appuie en grande partie sur cette compréhension des traitements afin de prendre des décisions éclairées, éviter les erreurs ou imprécisions et réagir adéquatement lorsque des irrégularités surviennent. Pour les étudiantes et les étudiants en radio-oncologie au Collège Ahuntsic, l’analyse des plans de traitement représente un défi important, en particulier durant leur stage pratique se déroulant à la dernière année de leur formation. Une amélioration des activités d’apprentissage associées à l’analyse des plans de traitement avant le début du stage pratique est souhaitable considérant les difficultés rencontrées dans de telles analyses par les étudiantes et les étudiants en milieu hospitalier. Un simulateur virtuel d’une salle de traitement de radiothérapie (SVSTR) a été installé en 2019 au Collège Ahuntsic dans le cadre de l’actualisation ministérielle du programme de radio oncologie. Grâce au SVSTR, des activités d’apprentissage authentiques ont été développées dans le cours Traitement en radio-oncologie 2, qui se donne juste avant le stage pratique, pour favoriser l’atteinte de la compétence ministérielle en lien avec l’administration des traitements. Cependant, du côté de l’analyse de plans de traitement, les activités existantes manquent d’authenticité et ne bénéficient pas encore du SVSTR. Le SVSTR propose des fonctions permettant l’analyse des plans de traitement, mais ces fonctions ne sont pas encore utilisées par les étudiantes et les étudiants dans le cadre du cours Traitement en radio-oncologie 2. Cette recherche propose donc la conception d’une activité d’apprentissage authentique utilisant le SVSTR pour développer chez les étudiantes et les étudiants les habiletés nécessaires pour analyser un plan de traitement en radio-oncologie afin de mieux les préparer pour le stage pratique et leur future carrière. Il s’agit d’une recherche de développement de type conception d’une activité d’apprentissage (Paillé, 2007) dont l’objectif général est de concevoir une activité d’apprentissage authentique utilisant un simulateur virtuel d’une salle de traitement de radiothérapie pour développer la compétence associée à l’analyse d’un plan de traitement chez les étudiantes et les étudiants de 2e année en Technologie de radio-oncologie. Cette recherche est basée sur un cadre de référence appuyé par une recension des écrits en lien avec les concepts de compétence clinique, de situation authentique et de simulation. Cette recherche a permis de développer et de valider une activité d’apprentissage auprès de l’équipe enseignante du programme de radio oncologie du Collège Ahuntsic. L’approche qualitative privilégiée dans cette recherche est basée sur une posture épistémologique interprétative. Les outils de collecte de données soumis aux enseignantes et aux enseignants, un questionnaire d’items ouverts et fermés ainsi que des entrevues semi-dirigées individuelles ont permis de documenter la démarche de validation de l’activité d’apprentissage développée. L’analyse des effets de l’activité sur les étudiants et les étudiantes ne fait pas partie de cette recherche et pourra être assurée par une recherche subséquente. Les données recueillies ont permis de valider l’authenticité de l’activité développée, sa cohérence par rapport à la compétence clinique visée, sa structure générale ainsi que les consignes et grilles d’évaluation. Des modifications ont également été apportées à l’activité développée grâce aux commentaires des enseignantes et des enseignants ayant participé à la collecte de données : une version améliorée de la nouvelle activité est présentée à la fin de cet essai.
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 | 0.010 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.009 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".