Factors that influence engagement in collaborative practice: how 8 health professionals became advocates.
Notice bibliographique
Résumé
OBJECTIVE: To generate hypotheses regarding factors that might influence engagement in collaborative practice. DESIGN: Qualitative study using in-depth interviews. SETTING: Participants interviewed each other in dyads. The pairing was based upon geographical location and proximity to each other. PARTICIPANTS: Eight professionals from the disciplines of medicine, nursing, occupational therapy, physical therapy, and massage therapy. METHOD: Semistructured interviews, lasting 30 to 45 minutes each, were recorded and transcribed verbatim. The transcripts were read by all research team members using independent content analysis for common words, phrases, statements, or units of text for key themes. At a subsequent face-to-face meeting, the team used an iterative process of comparing and contrasting key themes until consensus was reached. The transcripts were then analyzed further for subthemes using NVivo software. MAIN FINDINGS: Initial findings suggest that some common characteristics grounded in family history, school experiences, social interactions, and professional training might influence collaborative practice choices. The narrative form of the interview broke down interpersonal and interprofessional barriers, creating a new level of trust and respect that could improve professional collaboration. CONCLUSION: This study suggests that life experiences from childhood into later adulthood can and do influence professional choices.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,004 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».