Exploring an IPE faculty development program using the 3-P model
Notice bibliographique
Résumé
IntroductionWhile interprofessional education (IPE) activities have expanded across clinical contextsand countries in the past decade, our empirical understanding of this form of education islimited by an over-reliance upon studies which continue to focus on short term learner-focused outcomes. As a result we have only a partial understanding of the attributes neededto become an effective interprofessional facilitator.Biggs (1993) argues that when evaluating programs, a singular focus on one sub-system ofeducation (e.g., learner, facilitator, teaching context) is overly simplistic and ignores keyelements in the learning process. Systems-based approaches provide a better understandingabout how such factors, for example, presage (e.g., learner demographics, facilitatorexpertise, political climate) may affect the delivery of a program, which in turn may impactits outcomes.In this paper we describe the design of both a faculty development program created tosupport IPE facilitators and a longitudinal systems-based evaluation. Emerging findingsfrom the quantitative data set are presented and discussed.BackgroundThe purpose of this IPE faculty development program was to enlarge the cohort offacilitators at a Canadian university and affiliated teaching hospitals who could then go on toeffectively design and deliver IPE initiatives. The program adopted a blended learning
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».