A systematic process for creating and appraising clinical vignettes to illustrate interprofessional shared decision making
Notice bibliographique
Résumé
Vignettes and written case simulations have been widely used by educators and health services researchers to illustrate plausible situations and measure processes in a wide range of practice settings. We devised a systematic process to create and appraise theory-based vignettes for illustrating an interprofessional approach to shared decision making (IP-SDM) for health professionals. A vignette was developed in six stages: (1) determine IP-SDM content elements; (2) choose true-to-life clinical scenario; (3) draft script; (4) appraise IP-SDM concepts illustrated using two evaluation instruments and an interprofessional concept grid; (5) peer review script for content validity; and (6) retrospective pre-/post-test evaluation of video vignette by health professionals. The vignette contained six scenes demonstrating the asynchronous involvement of five health professionals with an elderly woman and her daughter facing a decision about location of care. The script scored highly on both evaluation scales. Twenty-nine health professionals working in home care watched the vignette during IP-SDM workshops in English or French and rated it as excellent (n = 6), good (n = 20), fair (n = 0) or weak (n = 3). Participants reported higher knowledge of IP-SDM after the workshops compared to before (p < 0.0001). Our video vignette development process resulted in a product that was true-to-life and as part of a multifaceted workshop it appears to improve knowledge among health professionals. This could be used to create and appraise vignettes targeting IP-SDM in other contexts.
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 | 0,003 | 0,014 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».