Towards the identification of family physician learning needs through a reflective process
Bibliographic record
Abstract
Contexte Les personnes impliquées dans le domaine du développement professionnel continu (DPC) cherchent constamment des meilleurs moyens de collecter et d'utiliser des données pour déterminer les besoins des médecins en éducation continue. Questions de recherche1) Est-ce que des besoins d'apprentissage des médecins de famille sont révélés à travers le processus de réflexion suscitée par la Méthode d'évaluation des informations (MEI)?2) Quelle est la signification des évaluations des « Highlights » pour l'identification et le choix des priorités concernant les besoins d'apprentissage des médecins de famille canadiens? Méthodes Une recherche utilisant des méthodes mixtes a été conduite (devis séquentiel explicatif). Des données quantitatives ont été collectées avec la MEI sur une période de 22 semaines via un programme d'éducation continue en médecine familiale avec une ressource internet, e-Therapeutics+ 'Highlights'. Six informateurs clés experts en DPC ont été interrogés sur la signification des données obtenues avec la MEI, et les utilisations possibles de ces données pour évaluer les besoins d'apprentissage. Résultats 3690 médecins de famille ont participé (taux de participation : 31.4%). En moyenne, 675,2 questionnaires MEI ont été complétés par 'Highlight' (414 - 1176). En moyenne, 54,5% des participants ont appris quelque chose de nouveau, 45,7% étaient motivés pour en savoir plus, et 59,3% ont trouvé des informations pertinentes pour au moins un de leurs patients. Les informateurs clés ont trouvé que les réponses 'motivation pour en savoir plus' peuvent suggérer des besoins d'apprentissage des participants lorsqu'elles sont combinés avec des données provenant d'autres sources, et que les réponses 'j'ai appris' et 'information pertinente' peuvent révéler des informations sur les connaissances des participants. Conclusions Avec des données d'autres sources, les données obtenues avec la MEI peuvent suggérer des besoins d'apprentissage, et révéler des sujets pour lesquels les médecins ont amélioré ou confirmé leurs connaissances.
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 | 0.077 | 0.143 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.002 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".