简介:摘要:随着现代科学技术快速发展,知识经济已见端倪,各国之间的知识创新竞争越来越激烈,这就迫切要求我国的医院为国家培养更多高素质的专业人才。培养高素质的医学检验专业人才是高等医学教育研究的新课题。根据本专业的培养目标及特点,注重培养医学生的科研能力和创新能力是重要的、行之有效的途径之一。科研能力是人们在通过科学的方法,运用已掌握的知识,探索新知识、解决新问题的过程中所形成的各种能力。培养医学生的医学科研能力可以促进其将医学理论及临床实践紧密结合,并对所掌握的信息进行思考、整理、总结,进而灵活运用,在临床疾病的诊断和治疗中有重要意义。文章根据医学检验技术专业的学科特色,提出了加强进行阅读、写作培训,大力开展科研活动等措施,提高医学检验技术专业医学生的科研能力。
简介:摘要目的从国家自然科学基金视角回顾我国老年医学科研发展进程,为未来学科发展提供数据基础。方法利用2008—2017年老年医学领域的国家自然科学基金立项资料,统计描述项目数量与构成、资助金额、依托单位等基本情况,并分析整体变化趋势,利用词频分析汇总近年来的研究热点问题。结果2008—2017年老年医学领域累计立项总数为446项,立项数量和资助金额均呈增长趋势;项目类型逐渐丰富,结构不断优化,2014年以后每年立项的基金类型均包括6种或以上,且各类重大项目均实现突破;华东地区的立项数量和资助金额始终处于第1位;北京市、上海市、浙江省是立项水平最高的3个省市,立项数量和资助金额占比均超过全国的10%;此期间获批立项的依托单位共114个,其中74个单位的立项数量为2项或以上;词频分析中,衰老(229次)、细胞(161次)和蛋白(120次)是频次最高的3个关键词。结论我国老年医学领域的国家自然科学基金在立项数量和水平上均显著提升,但在医学科学部中的占比始终偏低;项目的地区和机构分布不均衡,存在以优势学科单位为中心的聚集现象;基础类研究是国家自然科学基金项目的主要类型;衰老机制研究是老年医学领域的核心内容。
简介:摘要目的构建医学研究生满意度量表并对其信度和效度进行评估分析。方法2017年9月,对广西医科大学的2 961名在读全日制研究生进行满意度问卷调查。利用探索性因子分析方法构建了满意度量表的维度并评价效度,利用验证性因子分析方法验证量表的适配性。结果满意度量表共包含31个条目,总体克朗巴赫系数为0.972;经主成分法提取出5个公因子,累计贡献率达到81.09%。验证性因子分析结果显示,调查量表修正后,卡方自由度比χ2/df为4.451 (95%CI=4.321~4.558),近似误差均方根(root mean square error of approximation,RMSEA)为0.062 (95%CI=0.058~0.069),其他增值适配度指标均大于0.9;各条目的标准化载荷均超过0.71,且均具有统计学意义(t>1.96, P<0.05)。结论医学研究生满意度量表具有良好的信度和效度,且适用性良好,可以作为医学研究生满意度的调查工具并推广使用。
简介:摘要目的利用经典测量理论和项目反应理论对一般自我效能量表(general self-efficacy scale,GSES)在医学研究生中的信度、结构效度和条目特征进行评价分析。方法对北京市6所综合三甲医院的1 021名医学研究生进行问卷调查,内容包括一般人口学特征与一般自我效能感。利用SPSS 24.0软件进行统计分析。利用克朗巴赫系数(Cronbach’s α系数)和组内相关系数分析内部一致性,使用因子分析方法探索量表的维度结构,使用等级模型的项目反应理论对量表10个条目的难度和区分度进行参数估计。结果量表的整体克朗巴赫系数为0.92。平行分析主成分法和验证性因子分析均支持GSES的单维性结构。10个条目的区分度为1.82~3.65,难度为-3.51~1.66,且呈单调递增。该量表在医学研究生中的最大测验信息量为19.16。结论一般自我效能量表具有良好的信度、结构效度和测量精度,在医学研究生调查中具有较好的适用性,但具体条目的难度偏低,可进一步优化完善。
简介:摘要目的对比线性回归模型与四种机器学习算法对临床医学研究生学习行为的预测效能,探讨不同预测模型的优缺点和适用性。方法以全国6 922名临床医学研究生的调查数据为例,通过自评学习行为量表获得综合得分;在训练集中,分别利用Lasso线性回归和人工神经网络、决策树、Bootstrap随机森林、提升树四种监督式机器学习算法建立预测模型;对验证集数据进行预测并比较不同模型的预测效能。结果临床医学研究生学习行为综合得分为(3.31±0.54),总体达标率为74.02%。在线性回归模型中,年龄、学校级别、学位类型、学习兴趣、压力和满意度对学习行为的影响差异有统计学意义;在对验证集的预测中,线性回归模型的敏感度为0.484,特异度为0.914,准确率为0.801。四种机器学习算法的各项指标均高于线性回归模型,其中随机森林的提升度最高。结论线性回归模型对研究生学习行为的预测效果良好,机器学习在预测准确性上优于线性回归模型,但传统线性回归模型在计算效率和可解读性上具有一定优势。