The feasibility of e‐learning as a quality improvement tool
Notice bibliographique
Résumé
RATIONAL, AIMS AND OBJECTIVES: Many quality problems exist in health care. We aim to investigate the feasibility and acceptability of using e-learning (defined as computer-based learning modules) to address gaps in quality of care. METHODS: We performed a qualitative evaluation of participants in a pilot e-learning program. Physician members of six medical teaching units (MTUs) at a multi-site tertiary care teaching hospital were asked to complete two e-learning modules addressing hand hygiene practices and management of community-acquired pneumonia (CAP). An e-learning design team created online modules that were made available to members of the six MTUs for 4 weeks using a password secured website. Use of the modules was voluntary. Participants' perceptions of module content, mode of delivery, and suggestions for improvement were determined through focus groups. We then performed content analysis on the transcripts. We used system data to define patterns of module access. RESULTS: Out of 55 eligible users, 30 (55%) logged onto the system at least once. Residents (14/30, 47%) were less likely to use the system than medical students (9/14, 64%) and attending staff (7/11, 64%). Learners at all levels thought the modules were easy to use. Participants liked the knowledge-based material in the CAP module because it directly applied to their work. There were less favourable opinions of the hand hygiene module CONCLUSIONS: Generating e-learning modules targeted at gaps in quality of care is feasible and acceptable to learners. Future studies should assess whether these approaches lead to desired changes in behavior.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,053 | 0,127 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».