Educational impact of using smartphones for clinical communication on general medicine: More global, less local
Notice bibliographique
Résumé
BACKGROUND: Medical trainees increasingly use smartphones in their clinical work. Similar to other information technology implementations, smartphone use can result in unintended consequences. This study aimed to examine the impact of smartphone use for clinical communication on medical trainees' educational experiences. DESIGN: Qualitative research methodology using interview data, ethnographic data, and analysis of e-mail messages. ANALYSIS: We analyzed the interview transcripts, ethnographic data, and e-mails by applying a conceptual framework consisting of 5 educational domains. RESULTS: Smartphone use increased connectedness and resulted in a high level of interruptions. These 2 factors impacted 3 discrete educational domains: supervision, teaching, and professionalism. Smartphone use increased connectedness to supervisors and may improve supervision, making it easier for supervisors to take over but can limit autonomy by reducing learner decision making. Teaching activities may be easier to coordinate, but smartphone use interrupted learners and reduced teaching effectiveness during these sessions. Finally, there may be professionalism issues in relation to how residents use smartphones during encounters with patients and health professionals and in teaching sessions. CONCLUSIONS: We summarized the impact of a rapidly emerging information technology-smartphones-on the educational experience of medical trainees. Smartphone use increase connectedness and allow trainees to be more globally available for patient care but creates interruptions that cause trainees to be less present in their local interactions with staff during teaching sessions. Educators should be aware of these findings and need to develop curriculum to address the negative impacts of smartphone use in the clinical training environment.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».