Knowledge, attitudes and practice of medical students at the Cave Hill Campus in relation to ethics and law in healthcare
Notice bibliographique
Résumé
OBJECTIVES: The purpose of this study is to assess the knowledge, attitudes and practices among medical students in relation to medical ethics and law. The results of the study will be a useful guide to tutors of medical students and curricula designers. METHODS: A thirty-item self-administered questionnaire about knowledge of law and ethics, and the role of an ethics committee in the healthcare system was devised, tested and distributed to all levels of students and staff at the Queen Elizabeth Hospital in Barbados (a tertiary care teaching hospital) in 2003. The data from the completed questionnaires were entered into an SPSS database and analyzed using frequency and multiple cross-tabulation tables. RESULTS: Completed responses were obtained from 55 (96%) of the medical students. Medical students generally attested to the importance of ethical knowledge but felt that they knew little of the law. Students varied widely as regards the frequency with which they saw ethical or legal problems, with a quarter seeing them infrequently, but another quarter seeing them every day. They received their knowledge from multiple sources and particularly from lectures/seminars, and found case conferences the most helpful. Only a few students felt that text books had been helpful. Students were generally knowledgeable about most ethical issues, but many had uncertainties on how to deal with religious differences in treating patients, on the information to be given to relatives, and how violent patients should be treated. CONCLUSIONS: The results of the study highlight that medical students felt an inadequacy of knowledge of law as it pertains to their chosen career Since most of their knowledge of law was obtained from lectures, these should be reviewed and other avenues of tuition explored. The study also highlights the need to identify the minority of students who have problems with their ethical knowledge and to devise means whereby any deficiencies can be discussed and modified.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».