Application de principes de l’apprentissage en ligne pour concevoir une formation sur l’évaluation en simulation clinique en approche par compétences
Bibliographic record
Abstract
Contexte : L’évaluation des apprentissages en simulation clinique est difficile pour les formateurs qui doivent porter un jugement lors de l’observation de la performance des étudiants. Or, les formations en ligne sur l’évaluation en simulation sont peu adaptées aux besoins des formateurs et devraient être conçues en s’appuyant sur des principes de l’apprentissage en ligne. But : Décrire la démarche de conception et d’évaluation d’une formation en ligne asynchrone sur l’évaluation en simulation clinique en approche par compétences, en mettant en évidence l’application de principes de l’apprentissage en ligne. Méthode : Le modèle ADDIE, le modèle du jugement évaluatif et des principes de l’apprentissage en ligne ont guidé la conception de la formation. Une analyse des besoins d’apprentissage a été menée auprès de formateurs et d’experts en simulation. Ceux-ci et des experts en formation en ligne ont évalué la conception, le contenu et des aspects technopédagogiques de la formation. Résultats : Les formateurs ont estimé que la formation avait répondu à leurs besoins d’apprentissage et leur degré de satisfaction était élevé. L’accessibilité, la flexibilité et l’interactivité ont été les aspects technopédagogiques les plus appréciés. La facilité d’utilisation a été moins appréciée en raison de difficultés de navigation. Les experts ont proposé des moyens pour améliorer cet aspect et ont estimé que les principes de l’apprentissage en ligne avaient généralement été appliqués de manière adéquate. Conclusion : L’application adéquate des principes de l’apprentissage en ligne a eu un impact positif sur la satisfaction des formateurs.
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 | 0.022 | 0.048 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.016 | 0.003 |
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".