Physical Therapy Students’ Application of a Clinical Decision-Making Model
Notice bibliographique
Résumé
Purpose: Most educational programs in the health sciences present their students with a clinical decision-making model (CDMM) to help them define and treat client problems with a client-centered approach. However, little is known about how well students apply such a model in a clinical setting. The purpose of this study was to determine whether physical therapy students used a CDMM to make clinical decisions, and how well they used it. Method: Fifty-four physical therapy students in their first full-time clinical placement were asked to write up one of their client cases explaining how they made their clinical decisions and evaluating the success of these decisions. Three faculty members used a standardized form to assess each student’s use of various components of the CDMM. Results: Students were generally better at following the CDMM for obtaining information (history and assessment) and determining a diagnosis, than they were for planning goals and methods of treatment. Most students emphasized impairment rather than activity or participation, and did not consider the client’s specific concerns. Although few students defined measurable outcomes for their clients, they still felt that their decisions were well founded and that the clients got better. Conclusions: Physical therapy students in their first major clinical placement believe that they are using the CDMM “automatically” and are making appropriate clinical decisions for their clients. However, students need assistance to effectively use all the steps in the CDMM to design client-centered, outcome-oriented treatment.
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 | 0,007 | 0,002 |
| 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 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».