MétaCan
Menu
Retour à la cohorte
Enregistrement W2027288650 · doi:10.4212/cjhp.v62i3.790

An Instrument to Objectively Measure Pharmacist Professionalism as an Outcome: A Pilot Study

2009· article· en· W2027288650 sur OpenAlexvenueno aff
Michael J. Peeters, Gregory E. Stone

Notice bibliographique

RevueThe Canadian Journal of Hospital Pharmacy · 2009
Typearticle
Langueen
DomaineMedicine
ThématiqueMedical Education and Admissions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRasch modelConstruct (python library)Rating scalePharmacyPsychologyMedical educationScale (ratio)Construct validityPharmacistOutcome (game theory)Item response theoryMeasure (data warehouse)PsychometricsMedicineFamily medicineClinical psychologyComputer scienceDevelopmental psychologyMathematicsData mining

Résumé

récupéré en direct d'OpenAlex

Background: Historically, academic success has been a major outcome for evaluating the effectiveness of pharmacy education programs and admission criteria. In other words, students’ overall grades and/or specific course grades have determined academic success. However, there is a disconnection between students’ grades and their performance during practicums or in practice. It was postulated that professionalism might be an alternative outcome for measuring graduates’ abilities.Objective: To construct an objective measure of professional attitudes and behaviours for recently graduated pharmacists.Methods: A self-report instrument was developed using the American Board of Internal Medicine’s 6-tenet definition of professionalism. Four months after completing the doctor of pharmacy degree (PharmD), pharmacists were asked to complete an online version of the professionalism instrument. The Rasch Measurement Model (Winsteps, Chicago, Illinois) was used to construct a measure from the responses. Using data that fit the model, the Rasch Measurement Model can build the interval-level measurements needed for future inferential statistical interpretations of ordinal-level data gathered with this instrument.Results: Twenty-seven PharmD graduates completed the 15-item instrument. The Rasch Measurement Model was used to construct continuous, linear measures of pharmacist professionalism from these instrument rating scale data. Most of the scales functioned without modification, but 2 of the scales functioned only after being collapsed. One person and one item “misfit” the Rasch Measurement Model and were omitted from the analysis. After these adjustments, the data fit the model well. As a measurement tool, this instrument was overwhelmingly unidimensional; the linear model explained 99.9% of the variation in the data using principal contrast analysis. Item separation was 3.64 logits, person separation was 2.31 logits, and reliability was 0.93 by Cronbach’s a.Conclusion: The Rasch Measurement Model was used to construct an objective measure of pharmacists’ professionalism. The results of this pilot project suggest a promising outcome measure for evaluating pharmacy graduates soon after completion of university.RÉSUMÉ Contexte : Historiquement, le rendement scolaire était le principal résultat pour évaluer l’efficacité des programmes d’enseignement de la pharmacie et des critères d’admission. En d’autres mots, les notes globales des étudiants et (ou) leurs notes pour un cours particulier déterminaient le rendement scolaire. Cependant, il y a un écart entre les notes des étudiants et leur performance durant les stages ou l’exercice de leur profession. On a émis l’hypothèse selon laquelle le professionna - lisme pourrait être un résultat de rechange pour mesurer les compétences des diplômés.Objectif : Créer une mesure objective de l’attitude et des comportements professionnels des pharmaciens récemment diplômés.Méthodes : Un outil d’auto-évaluation a été développé à l’aide de la définition du professionnalisme selon les six principes de l’American Board of Internal Medicine. Quatre mois après avoir obtenu leur doctorat professionnel en pharmacie (Pharm. D.), les pharmaciens devaient répondre aux questions de la version en ligne de l’outil d’évaluation du professionnalisme. Le modèle de Rasch (Winsteps, Chicago, Illinois) a servi à concevoir une mesure à partir des réponses. En utilisant des données adaptées au modèle, le modèle de Rasch peut générer les mesures dotées d’une échelle d’intervalle nécessaires pour les futures interprétations statistiques inférentielles des données ordinales collectées à partir de cet instrument.Résultats : Au total, 27 détenteurs d’un diplôme de Pharm. D. ont rempli le questionnaire à 15 items. Le modèle de Rasch a été utilisé pour générer des mesures linéaires continues du professionnalisme des pharmaciens en se servant des données issues des échelles de notation de l’outil. La plupart des échelles ont produit des résultats appropriés, mais deux ont donné des résultats appropriés seulement une fois groupées. Les données issues d’une personne et d’un item ne concordaient pas avec le modèle de Rasch et ont été exclues de l’analyse. À la suite de ces ajustements, les données cadraient bien avec le modèle. Cet instrument, en tant qu’outil de mesure, était extraordinairement unidimensionnel; le modèle linéaire expliquait 99,9 % de la variation des données selon l’analyse du contraste principal. Les valeurs suivantes ont été observées : répartition des items, 3,64 logits; répartition des personnes, 2,31 logits; et fiabilité (déterminée par le coefficient alpha de Cronbach), 0,93.Conclusion : Le modèle de Rasch a été utilisé pour générer une mesure objective du professionnalisme des pharmaciens. Les résultats de ce projet pilote laissent croire à un avenir prometteur pour cet outil d’évaluation des pharmaciens nouvellement diplômés.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,430
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,129
Tête enseignante GPT0,443
Écart entre enseignants0,314 · 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.

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

Citations16
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Hospital PharmacyMême sujetMedical Education and AdmissionsTravaux en français237 207