Research in Medical Education

🧠 پاسخ تشریحی

گزینه صحیح: A) Selection Bias

🔍 چرا؟!🧐
در این پژوهش قرار است میزان رضایت همه دانشجویان از استاد بررسی شود؛ اما در عمل، کسانی که بیشتر تمایل به پاسخ‌دادن دارند، دانشجویان بسیار راضی یا بسیار ناراضی هستند.

بنابراین افرادی که وارد نمونه نهایی می‌شوند، نماینده مناسبی از کل جامعه دانشجویان نیستند.

📌 این یعنی Selection Bias (سوگیری انتخاب)؛ یعنی نحوه انتخاب یا ورود افراد به مطالعه باعث می‌شود نمونه با جامعه هدف تفاوت داشته باشد و نتایج به سمت خاصی منحرف شوند.

💡 یک مثال ساده:
فرض کنید از ۵۰۰ دانشجو نظرسنجی می‌کنیم، اما بیشتر پاسخ‌ها مربوط به دانشجویان خیلی راضی یا خیلی ناراضی باشد.
اگر میانگین رضایت را بر اساس همین پاسخ‌ها محاسبه کنیم، ممکن است نتیجه بگیریم:
«دانشجویان یا خیلی راضی‌اند یا خیلی ناراضی!»
در حالی که شاید بیشتر دانشجویان، نظر متوسط یا خنثی داشته باشند و اصلاً در پاسخ‌دهندگان دیده نشده باشند.

🎯 نکته طلایی:
هر وقت دیدید افرادی که وارد مطالعه می‌شوند یا پاسخ می‌دهند، به‌طور سیستماتیک با بقیه جامعه تفاوت دارند → به Selection Bias فکر کنید.

#پژوهش #مقاله #آموزش_پزشکی #چکیده
🔎〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
🆔@Research_SCMED_Mubabol
🆔@SCMED_BMU

📝چهارشنبه ها با پژوهش!
💡عنوان پادکست:
فرسودگی تحصیلی در دانشجویان پزشکی

#چهارشنبه_ها_با_پژوهش
#پادکست #پژوهش
🔎〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
🆔@Research_SCMED_Mubabol
🆔@SCMED_BMU

فرسودگی تحصیلی در دانشجویان پزشکی🩺

⁉️چرا فرسودگی تحصیلی در دانشجویان پزشکی این‌قدر شایع است؟

آیا مشکل فقط حجم زیاد درس‌هاست؟ یا کمال‌گرایی، رقابت، فشار خانواده و محیط آموزشی هم نقش دارند؟ 🤔

💬 به نظر شما، مهم‌ترین عامل فرسودگی تحصیلی در دانشجویان پزشکی چیست؟

🎙 فردا در پادکست #چهارشنبه_ها_با_پژوهش درباره فرسودگی تحصیلی در دانشجویان پزشکی، عوامل مؤثر بر آن و راه‌هایی برای پیشگیری و مقابله با آن صحبت می‌کنیم.

#سوال #پژوهش #پادکست #آموزش_پزشکی #فرسودگی_تحصیلی #دانشجوی_پزشکی

🔎〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
🆔 @Research_SCMED_Mubabol
🆔 @SCMED_BMU

📌رفرنس:
اثربخشی نقشه مفهومی به‌عنوان ابزاری برای توسعه تفکر انتقادی در آموزش پزشکی دوره کارشناسی

🧠 آیا نقشه مفهومی می‌تواند تفکر انتقادی دانشجویان پزشکی را تقویت کند؟


🔍 یافته‌ها چه می‌گویند؟
در بیشتر مطالعاتی که تفکر انتقادی را به‌طور مستقیم بررسی کرده بودند، استفاده از Concept Mapping با بهبود معنادار تفکر انتقادی همراه بود.
این یافته با نتایج مطالعات کیفی نیز هم‌راستا بود؛ دانشجویان گزارش کرده بودند که نقشه مفهومی به آن‌ها کمک می‌کند ارتباط بین مفاهیم را ببینند، اطلاعات را سازمان‌دهی کنند و عمیق‌تر درباره یک مسئله فکر کنند.

اما مزایای گزارش‌شده فقط به تفکر انتقادی محدود نبودند:
🔗 یکپارچه‌سازی دانش و ارتباط علوم پایه با بالین
🩺 تقویت استدلال بالینی
🧩 بهبود حل مسئله و ترکیب اطلاعات
📖 افزایش یادگیری عمیق و معنادار
🔎 شناسایی شکاف‌های دانشی
👥 تقویت یادگیری مشارکتی


💡 یک نکته برای آموزش پزشکی
نویسندگان پیشنهاد می‌کنند نقشه مفهومی از سال‌های ابتدایی پزشکی وارد برنامه آموزشی شود و دانشجویان به‌طور مداوم نقشه‌های خود را ایجاد و اصلاح کنند.

ترکیب آن با روش‌هایی مثل PBL، CBL و TBL نیز می‌تواند اثربخشی آن را بیشتر کند.

⚠️ اما یک نکته مهم:
شواهد هنوز کاملاً قطعی نیستند. ناهمگونی مطالعات و تفاوت در نحوه سنجش تفکر انتقادی، تعیین اندازه دقیق اثر را دشوار کرده است. همچنین شواهدی درباره تأثیر آن بر رفتار حرفه‌ای یا عملکرد بالینی در بلندمدت وجود نداشت.

🎯 جمع‌بندی:
پس Concept Mapping می‌تواند یک ابزار ساده اما قدرتمند برای کمک به دانشجو در «فکر کردن با ارتباط بین مفاهیم» به‌جای ـصرفاً حفظ کردن اطلاعات باشد

#پژوهش #مقاله #آموزش_پزشکی #چکیده
🔎〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
🆔@Research_SCMED_Mubabol
🆔@SCMED_BMU

🎙️✨ پویش را این بار بشنوید.✨🎙️

گاهی یک متن، وقتی با صدا روایت می‌شود، جان تازه‌ای می‌گیرد؛
این بار صفحات شماره دوم «پویش» را ورق نزنید، گوش بسپارید به روایت‌هایی که از دل این شماره برایتان خوانده شده‌اند. 🎧📖🌱

از دغدغه‌های دانشجویی و دنیای ذهن و احساسات، تا قصه‌های پزشکی، تجربه‌های بیمارستانی و روایت‌هایی که شاید شما را لحظه‌ای به فکر فرو ببرند... 🧠🩺✨

📌🎤 گویندگان :
پوریا پورعباسی، نرگس مرتضوی، فرشته سادات میرعمادی، روژان شفیعی، نگار امین‌سلطان، طاها ادبی، فاطمه‌زهرا صباغ، کیمیا اسماعیلی‌ثانی، محدثه صراف‌پور و مهدیه سادات آبانگاه

📌🎚️ تهیه و تدوین: فاطمه فتحی

🌱 این بار «پویش» را بخوانید،
اما اگر دلتان خواست کمی متفاوت‌تر با آن همراه شوید...
چشمانتان را ببندید و بگذارید پویش برایتان روایت شود. 🎧✨


🆔 @POUYESH_SCMEDBMU
🆔 @SCMED_BMU
🆔 Instagram

📖 با افتخار ، دومین شماره از گاهنامه علمی، آموزشی و فرهنگی پویش ویژه تابستان ۱۴۰۵
همزمان با گرامیداشت روز پزشک با نگاهی به دنیای یادگیری و تجربه‌های دانشجویی منتشر شد.🌱✨

شماره‌ای برای خواندن، فکر کردن و شاید کمی متفاوت‌تر دیدن دنیای دانشجویی... 🌱🧠

🔹 صاحب امتیاز: کمیته دانشجویی توسعه آموزش پزشکی دانشگاه علوم پزشکی بابل
🔹 مدیرمسئول: محمدجعفر گلشنی
🔹 سردبیر: فاطمه فتحی

▫️▫️▫️▫️▫️▫️▫️▫️▫️▫️

📚 در این شماره می‌خوانید:

🔹 احساسات زیر ذره‌بین مغز
🔹 مطالعه هوشمندانه؛ راهکارهایی مبتنی بر علوم شناختی
🔹 کودکی که هیچ‌وقت برای درد گریه نکرد
🔹 نکند من کافی نیستم؟
🔹 بی‌انگیزگی دانشجو؛ مسئله‌ای فردی یا بحرانی اجتماعی؟
🔹 هنر؛ پناهگاهی در مسیر رنج‌ها و سختی‌ها
🔹 آمپول‌های لاغری زیر ذره‌بین
🔹 آن سوی شب‌های بیمارستان
🔹 نگاهی به سریال The Pitt و کتاب مرگ با تشریفات پزشکی
🔹 و بخش‌های متنوع و دانشجویی دیگر... ✨

📎 مطالعه نسخه کامل شماره دوم پویش:

https://www.khanehnashriat.ir/BoxOffice/10913/%D9%BE%D9%88%DB%8C%D8%B4

🌱 پویش؛ جایی برای خواندن، اندیشیدن و تجربه کردن.


🆔 @POUYESH_SCMEDBMU
🆔 @SCMED_BMU
🆔 Instagram

📝چهارشنبه ها با پژوهش!
💡عنوان پادکست:
آیا آموزش علوم پزشکی باید کاملاً شخصی‌سازی شود؟

#چهارشنبه_ها_با_پژوهش
#پادکست #پژوهش
🔎〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
🆔Research_SCMED_Mubabol
🆔SCMED_BMU

این روزها تقریباً همه‌چیز شخصی‌سازی شده؛ از پیشنهاد فیلم تا مسیر یادگیری. 🎯

اما یک سؤال مهم...

⁉️ آیا آموزش پزشکی هم باید کاملاً شخصی‌سازی شود؟

اگر هوش مصنوعی بتواند برای هر دانشجو یک برنامه آموزشی اختصاصی طراحی کند، آیا پزشکان بهتری تربیت می‌شوند یا استانداردهای آموزش به خطر می‌افتد؟ 🤔

💬 به نظر شما، آموزش پزشکی باید برای هر دانشجو شخصی‌سازی شود یا یک مسیر مشترک برای همه بهتر است؟

🎙 فردا در پادکست #چهارشنبه_ها_با_پژوهش درباره فرصت‌ها و چالش‌های شخصی‌سازی آموزش پزشکی با کمک هوش مصنوعی صحبت می‌کنیم.

#سوال #پژوهش #پادکست #آموزش_پزشکی
🔎〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
🆔 @Research_SCMED_Mubabol
🆔 @SCMED_BMU

📊 عبارت P-value چیست؟

فرض کنید پژوهشگری می‌خواهد اثر یک برنامه آموزشی را بر نمره دانشجویان بررسی کند.
⬅️ابتدا یک فرض به نام فرض صفر (Null Hypothesis) در نظر می‌گیرد:
««این برنامه هیچ اثری ندارد و تفاوتی بین دو گروه وجود ندارد.»»

🗂حالا بعد از جمع‌آوری و تحلیل داده‌ها، نرم‌افزار عددی به نام P-value را گزارش می‌کند.
این عدد نشان می‌دهد:
«اگر فرض صفر واقعاً درست باشد، احتمال مشاهده چنین نتیجه‌ای (یا نتیجه‌ای شدیدتر) چقدر است؟»

🔹به بیان ساده، هرچه P-value کوچک‌تر باشد، نتیجه به سختی با «تصادفی بودن» توضیح داده می‌شود.

‼️قانون معروف 0.05
در بیشتر مطالعات پزشکی، عدد 0.05 به عنوان آستانه استفاده می‌شود.
✓اگر P ≤ 0.05 → نتیجه از نظر آماری معنی‌دار است.
✓اگر P > 0.05 → شواهد کافی برای رد فرض صفر وجود ندارد.

⚠️ معنی‌دار نبودن یعنی «مدرک کافی نداریم»، نه اینکه «اثر وجود ندارد.»

⁉️حالا سؤال را تحلیل کنیم:
در دو مطالعه، هر دو میانگین نمرات افزایش یافته است؛ اما:
- مطالعه اول: P = 0.04
- مطالعه دوم: P = 0.18

در مطالعه اول، چون 0.04 کوچک‌تر از 0.05 است، نتیجه از نظر آماری معنی‌دار محسوب می‌شود.
اما در مطالعه دوم، چون 0.18 بزرگ‌تر از 0.05 است، شواهد کافی برای رد فرض صفر وجود ندارد.

بنابراین، درست‌ترین نتیجه این است که:
«مطالعه اول از نظر آماری معنی‌دار است، اما مطالعه دوم شواهد کافی برای معنی‌دار بودن ارائه نمی‌کند.»


💡 نکته آزمونی
سه برداشت اشتباه را همیشه به خاطر بسپار:
❌اگر P=0.04 یعنی «دارو ۹۶٪ مؤثر است.» (اشتباه)
❌اگر P=0.18 یعنی «دارو هیچ اثری ندارد.» (اشتباه)
✅ پس P-value فقط نشان می‌دهد نتیجه چقدر با فرض صفر سازگار است؛ نه اینکه اندازه اثر یا اهمیت بالینی را تعیین کند.

#تئوری_پژوهش #PValue #آمار_پزشکی #مقاله #روش_تحقیق
🔎〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
🆔@Research_SCMED_Mubabol
🆔@SCMED_BMU

📌رفرنس:
هوش مصنوعی در آموزش پزشکی؛ ظرفیت تحول‌آفرین، کاربردهای کنونی و پیامدهای آینده

🤖 هوش مصنوعی در آموزش پزشکی؛ ظرفیت تحول‌آفرین، کاربردهای کنونی و پیامدهای آینده

«مرور مقاله منتشرشده در JMIR Medical Education (2026)»

هوش مصنوعی دیگر فقط یک ابزار کمکی نیست؛ بلکه در حال تغییر شیوه آموزش پزشکان است. از آموزش شخصی‌سازی‌شده گرفته تا بیمارهای مجازی، این فناوری می‌تواند کیفیت یادگیری را افزایش دهد؛ البته به شرط استفاده‌ی مسئولانه.

✨ مهم‌ترین کاربردها

🧠 یادگیری شخصی‌سازی‌شده
- تنظیم مسیر یادگیری بر اساس عملکرد هر دانشجو
- تمرکز روی نقاط ضعف و قوت فرد

💬 چت‌بات‌های آموزشی
- توضیح مفاهیم پیچیده
- طراحی کیس‌های بالینی
- تولید سؤال و فلش‌کارت
- ارائه بازخورد سریع

🩺 بیماران مجازی
- تمرین شرح حال و تصمیم‌گیری بالینی
- یادگیری بدون به خطر انداختن بیمار واقعی

📝 ارزیابی هوشمند
- تصحیح خودکار آزمون‌ها
- تحلیل عملکرد دانشجویان
- شناسایی افراد در معرض افت تحصیلی

⚠️ چالش‌های مهم
- حفظ حریم خصوصی داده‌ها
- سوگیری الگوریتم‌ها
- نابرابری در دسترسی به فناوری
- وابستگی بیش از حد و کاهش تفکر انتقادی

📌 راهکار پیشنهادی مقاله
نویسندگان تأکید می‌کنند که AI باید مکمل آموزش پزشکی باشد، نه جایگزین آن.

⬅️برای این کار، چارچوب FACETS پیشنهاد شده که هر ابزار هوش مصنوعی را از ۶ بُعد ارزیابی می‌کند:
- Form (نوع ابزار)
- Application (کاربرد)
- Context (بستر استفاده)
- Instruction (شیوه آموزش)
- Technology (فناوری)
- SAMR (میزان ایجاد تحول در آموزش)


🎯 جمع‌بندی
آینده آموزش پزشکی با هوش مصنوعی گره خورده است؛ اما موفقیت آن به اخلاق، عدالت آموزشی و حفظ قضاوت بالینی انسان وابسته خواهد بود.

#پژوهش #مقاله #آموزش_پزشکی #چکیده
🔎〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
🆔@Research_SCMED_Mubabol
🆔@SCMED_BMU

📝چهارشنبه ها با پژوهش!
💡عنوان پادکست:
چرا بسیاری از پژوهش‌های آموزش پزشکی وارد عمل نمی‌شوند؟
#چهارشنبه_ها_با_پژوهش
#پادکست #پژوهش
🔎〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
🆔Research_SCMED_Mubabol
🆔SCMED_BMU

خیلی از پژوهش‌های آموزش پزشکی با یک سؤال مهم شروع می‌شوند، داده جمع می‌کنند و در نهایت هم در یک مقاله منتشر می‌شوند... 📚🔬

اما بعد چه اتفاقی می‌افتد؟

⁉️ چرا بسیاری از پژوهش‌های آموزش پزشکی وارد عمل نمی‌شوند؟

چرا نتایج یک مطالعه ممکن است در یک مجله منتشر شود، اما هیچ تغییری در کلاس درس، شیوه آموزش، ارزشیابی یا حتی سیاست‌گذاری آموزشی ایجاد نکند؟ 🤔

آیا مشکل از طراحی پژوهش است؟
یا فاصله بین پژوهشگران، دانشگاه و تصمیم‌گیرندگان؟🤔

شاید هم گاهی پژوهش‌ها بیشتر برای «تولید مقاله» انجام می‌شوند تا حل یک مسئله واقعی...

💬 به نظر شما، بزرگ‌ترین مانع تبدیل نتایج پژوهش‌های آموزش پزشکی به تغییر واقعی چیست؟

🎙 امروز در پادکست #چهارشنبه_ها_با_پژوهش درباره این مسئله صحبت می‌کنیم که چرا بعضی یافته‌های پژوهشی هیچ‌وقت از صفحه مقاله فراتر نمی‌روند.

با ماه همراه باشید.🤗

#سوال #پژوهش #پادکست #آموزش_پزشکی #پژوهش_آموزشی #EvidenceBased
🔎〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
🆔 Research_SCMED_Mubabol
🆔 SCMED_BMU

🎯 سوگیری انتخاب | Selection Bias

یکی از انواع سوگیری سیستماتیک است که زمانی رخ می‌دهد که فرآیند انتخاب افراد برای ورود به مطالعه، باعث شود نمونه‌ی مطالعه با جامعه هدف تفاوت سیستماتیک داشته باشد.

به‌عبارت ساده‌تر:
انتخاب افراد⬅️ تحت تأثیر ویژگی‌های مرتبط با Exposure یا Outcome قرار می‌گیرد ⬅️ نتیجه مطالعه دچار سوگیری می‌شود.


⬅️ پیامد
می‌تواند باعث شود ارتباط مشاهده‌شده بین Exposure و Outcome با ارتباط واقعی در جامعه متفاوت باشد و در نتیجه اعتبار داخلی مطالعه کاهش یابد.

🔍مثال:
در یک پژوهش درباره رضایت دانشجویان از دانشگاه، فقط از دانشجویانی نظرسنجی کنیم که در کتابخانه حضور دارند.
📌 احتمالاً این دانشجویان از نظر میزان مطالعه یا رضایت با کل دانشجویان متفاوت‌اند؛ بنابراین نتایج ممکن است نماینده‌ی کل دانشجویان نباشد.

⚡ انواع:
▪️ Sampling Bias → نمونه نماینده جامعه نیست
▪️ Non-response Bias → تفاوت سیستماتیک بین پاسخ‌دهندگان و غیرپاسخ‌دهندگان
▪️ Loss to Follow-up Bias → خروج سیستماتیک افراد از مطالعه
▪️ Berkson's Bias → سوگیری ناشی از انتخاب بیماران در محیط بیمارستان

💡 نکته تستی:
هرجا صحبت از «چه کسانی وارد مطالعه شدند؟» باشد، به Selection Bias فکر کنید. 🎯

#پژوهش #SelectionBias #سوگیری #روش_تحقیق
🔎〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
🆔Research_SCMED_Mubabol
🆔SCMED_BMU

بازی ➕ پژوهش💥‼️

📌جواب جدول در کانال قرار داده می‌شود.

#پژوهش #جدول #بازی
🔎〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
🆔Research_SCMED_Mubabol
🆔SCMED_BMU

📝چهارشنبه ها با پژوهش!
💡عنوان پادکست:
چرا دانشجویان پزشکی با وجود دسترسی به همه منابع، کمتر مطالعه عمیق می‌کنند؟

#چهارشنبه_ها_با_پژوهش
#پادکست #پژوهش
🔎〰️〰️〰️〰️〰️〰️〰️〰️〰️〰️
🆔Research_SCMED_Mubabol
🆔SCMED_BMU