MétaCan
Menu
Retour à la cohorte
Enregistrement W2006804562 · doi:10.1179/2045772312y.0000000044

SCI-U: E-learning for patient education in spinal cord injury rehabilitation

2012· article· en· W2006804562 sur OpenAlexafffundabout
John D. Shepherd, Karla M. Badger-Brown, Matthew Legassic, Saagar Walia, Dalton L. Wolfe

Notice bibliographique

RevueJournal of Spinal Cord Medicine · 2012
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Literacy and Information Accessibility
Établissements canadiensLawson Health Research InstituteToronto Rehabilitation InstituteUniversity Health Network
Organismes subventionnairesRick Hansen InstituteToronto Rehabilitation InstituteLawson Health Research InstituteAlberta Health Services
Mots-clésRehabilitationProcess (computing)Medical educationResource (disambiguation)Work (physics)MedicineFocus groupPatient educationSpinal cord injuryMultimediaComputer sciencePhysical therapySpinal cordNursingBusinessEngineering

Résumé

récupéré en direct d'OpenAlex

BACKGROUND/OBJECTIVES: To develop an online patient education resource for use in spinal cord injury rehabilitation. PARTICIPANTS: The development process involved more than 100 subject-matter experts (SMEs) (rehabilitation professionals and consumers) from across Canada. Preliminary evaluation was conducted with 25 end-users. METHODS: An iterative development process was coordinated by a project team; SMEs (including patients) developed the content in working groups using wiki-based tools. Multiple rounds of feedback based on early prototypes helped improve the courses during development. RESULTS: Five courses were created, each featuring more than 45 minutes of video content and hundreds of media assets. Preliminary evaluation results indicate that users were satisfied by the courses and perceived them to be effective. CONCLUSIONS: This is an effective process for developing multimedia patient education resources; the involvement of patients in all parts of the process was particularly helpful. Future work will focus on implementation, integration into clinical practice and other delivery formats (smart phones, tablets).

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)0,007
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,779
Score d'incertitude au seuil0,657

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,064
Tête enseignante GPT0,519
Écart entre enseignants0,455 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations40
Publié2012
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Spinal Cord MedicineMême sujetHealth Literacy and Information AccessibilityTravaux en français237 207