Exploring the nature of facilitating interprofessional learning: findings from an exploratory study
Notice bibliographique
Résumé
With the growing complexity in managing multiple disease and illness-related problems, increased attention is being paid to the importance of interprofessional education (IPE) in preparing students for working collaboratively with different professionals. Educational activities for mixed groups of health professional students are increasing, and facilitation of learning in interprofessional student groups is now acknowledged as an essential part of successful interprofessional learning activities. However, little is known about the strategies used by facilitators with students from different professions, and how they promote learning. Using data obtained through an analysis of videos taken as part of a large study of IPE and interprofessional practice, this study aimed to identify the pedagogical strategies and behaviours of facilitators participating in seven different learning activities with health care students from five different professions. The data captured student reactions and behaviours and provided insight into the dynamics of the interprofessional encounters. The findings showed that facilitating groups involved a complex interchange of three types of interaction between facilitators and students: facilitator-controlled interaction, facilitator-driven interaction and student-driven interactions. The findings also suggest that faculty development programs should assist facilitators to re-examine teaching approaches and encourage students to assume the responsibility for discussing issues and collaborating with others in all their interprofessional contacts. Continuity and stability in faculty development activities will better prepare clinical educators and young professionals to become interprofessional champions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».