Identifying Bioethics Learning Needs: A Survey of Canadian Emergency Medicine Residents
Notice bibliographique
Résumé
OBJECTIVES: Emergency medicine (EM) postgraduate training programs must prepare residents for the ethical challenges of clinical practice. Bioethics curricula have been developed for EM residents, but they are based on expert opinion rather than resident learning needs. Educational interventions based on identified learning needs are more effective at changing practice than interventions that are not. The goal of this study was to identify the bioethics learning needs of Canadian EM residents. METHODS: A survey-based needs assessment of Canadian EM residents was performed between July 2000 and June 2001. Residents were asked to identify their learning needs by rating bioethics topics and by relating their clinical experiences. Physicians and nurses who work with residents were surveyed in a similar manner and also asked to identify the residents' bioethics learning needs. RESULTS: A total of 129 EM residents (77% of eligible residents), 94 physicians, and 87 nurses responded. Residents, physicians, and nurses all identified issues in end-of-life care as the greatest bioethics learning needs of the residents. Other areas identified as learning needs included negotiating consent, capacity assessment, truth telling, and breaking bad news. A learning need identified by nurses, but not residents, was the manner in which residents interact with patients and colleagues. CONCLUSIONS: This needs assessment provides valuable information about the ethical challenges EM residents encounter and the ethical issues they believe they have not been prepared to face. This information should be used to direct and shape ethics education interventions for EM residents.
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 | 0,006 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».