MétaCan
Menu
Retour à la cohorte
Enregistrement W1963653316 · doi:10.1159/000346672

German Medical Students’ Beliefs about How Best to Treat Alcohol Use Disorder

2013· article· en· W1963653316 sur OpenAlexaff
Henning Krampe, Lisa Strobel, Emma Beard, Sven Anders, Robert West, Tobias Raupach

Notice bibliographique

RevueEuropean Addiction Research · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueSubstance Abuse Treatment and Outcomes
Établissements canadiensLondon Health Sciences Centre
Organismes subventionnairesCancer Research UK
Mots-clésGermanAlcohol use disorderAddictionPsychologyPsychiatryClinical psychologyMedicineFamily medicineAlcohol

Résumé

récupéré en direct d'OpenAlex

BACKGROUND/AIMS: A minority of German medical students believe they know how to support smokers willing to quit. This paper examined whether the same would be true for treating alcohol use disorder (AUD), and individual factors associated with incorrect beliefs about the effectiveness of methods to treat AUD. METHODS: In this cross-sectional study, 19,526 undergraduate students from 27 German medical schools completed a survey addressing beliefs about the effectiveness of different methods of overcoming AUD. Beliefs about AUD treatment effectiveness were compared across the 5 years of undergraduate education and predictors identified by means of multiple linear regression. RESULTS: Even in the fifth year, 28.1% (95% CI: 26.5-29.7) of students believed that willpower alone was more effective for overcoming AUD than a comprehensive treatment program. The only significant predictor of this belief was a similar belief for stopping smoking. CONCLUSION: Our results indicate that a considerable proportion of German medical students overestimate the effectiveness of willpower to treat smoking and AUD. The addictive nature of these disorders needs to be stressed during undergraduate medical education to ensure that future physicians will be able and motivated to support patients in their quit attempts.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,174
Score d'incertitude au seuil0,994

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,018

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.

Tête enseignante Opus0,092
Tête enseignante GPT0,410
Écart entre enseignants0,318 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Addiction ResearchMême sujetSubstance Abuse Treatment and OutcomesTravaux en français237 207