MétaCan
Menu
Retour à la cohorte
Enregistrement W2044682549 · doi:10.1007/s40037-015-0158-z

Supervised near-peer clinical teaching in the ambulatory clinic: an exploratory study of family medicine residents’ perspectives

2015· article· en· W2044682549 sur OpenAlexaffabout
Daniel James Ince-Cushman, Teresa Rudkin, Ellen Rosenberg

Notice bibliographique

RevuePerspectives on Medical Education · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésPreceptorMedicineContext (archaeology)Medical educationNursingExploratory researchFamily medicinePeer learningPsychologyPedagogy

Résumé

récupéré en direct d'OpenAlex

Near-peer teaching is used extensively in hospital-based rotations but its use in ambulatory care is less well studied. The objective of this study was to verify the benefits of near-peer teaching found in other contexts and to explore the benefits and challenges of near-peer clinical supervision unique to primary care. A qualitative descriptive design using semi-structured interviews was chosen to accomplish this. A faculty preceptor supervised senior family medicine residents as they supervised a junior resident. We then elicited residents' perceptions of the experience. The study took place at a family medicine teaching unit in Canada. Six first-year and three second-year family medicine residents participated. Both junior and senior residents agreed that near-peer clinical supervision should be an option during family medicine residency training. The senior resident was perceived to benefit the most. Near-peer teaching was found to promote self-reflection and confidence in the supervising resident. Residents felt that observation by a faculty preceptor was required. In conclusion, the benefits of near-peer teaching previously described in hospital settings can be extended to ambulatory care training programmes. However, the perceived need for direct observation in a primary care context may make it more challenging to implement.

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)0,016
score de la tête « metaresearch » (Gemma)0,050
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,215
Score d'incertitude au seuil0,979

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0160,050
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
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 Opus0,128
Tête enseignante GPT0,485
Écart entre enseignants0,357 · 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'étudeQualitatif
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

Citations24
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePerspectives on Medical EducationMême sujetInnovations in Medical EducationTravaux en français237 207