Maximizing co-training opportunities on a traditional health sciences campus
Notice bibliographique
Résumé
Both the economics and the science of modern healthcare demand that the best patient care be delivered by an integrated team of healthcare providers, each expert in their own field, but also expert in the ability to function well as a team member. Functioning as a member of a complex team is not intuitive, and even the best educated among us needs additional instruction to do this well. But even the best schools of nursing and medicine, especially those with longer histories and more traditional curricula, may not be designed to support this type of instruction. Practical considerations such as accreditation needs, administration, budget lines, and even physical facilities tend to “silo” instruction by discipline. We argue that even in institutions with traditional curricula, there are numerous opportunities to co-train nursing, medical, and other healthcare students and faculty if we remain open to possibilities. This article presents five brief case-studies of co-training events where nursing, medical, and other healthcare students and/or faculty learn in the same environment with minimal administrative effort including: (1) the Certificate in Health Professions Education program; (2) workshops on Increasing Cultural Competence; (3) the iCOPE project in interdiscip- linary palliative care; (4) joint daily rounding in an urban children’s hospital; and (5) providing care in the Teen Age Parent Program (TAPP).
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,017 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,006 |
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 ».