Evaluation of a collaborative mentorship program in a multi-site postgraduate training program
Notice bibliographique
Résumé
BACKGROUND: Traditional one-on-one mentorship of trainees is challenging for multi-site training programs. Our three-site Neonatal - Perinatal Medicine Training Program therefore implemented collaborative mentorship. AIM: To describe and evaluate the effectiveness of collaborative mentorship. METHOD: Faculty Advisory Committee Triads (FACTs), comprising one staff neonatologist from each site, were created for each trainee. Guidelines for meeting frequency and process were developed. After 3 years, participants were invited to complete a questionnaire exploring three domains - helpfulness, participant opinion, and process. RESULTS: Twenty-four staff participated in 32 FACTs that mentored 32 trainees; 19 staff (79%) and 19 trainees (60%) completed the survey. All but one respondent preferred FACTs to individual mentors. Trainees were comfortable discussing both training program issues (90%) and social or personal issues (47%) with their FACT. Despite various ethno-cultural backgrounds, only 26% thought these should be similar for FACTs and trainees. More than 80% found FACTs supportive and beneficial for providing staff contacts at each site. Trainees found FACTs helpful for career planning, resource identification, clinical performance advice, and research motivation. More staff (79%) than trainees (33%) felt FACTs helped trainees get started in the program (p = 0.01), perhaps because not all trainees (47%) met with their FACT at the start of training. FACTs met one to four times annually; staff availability made scheduling difficult. CONCLUSION: In a multi-site training program, collaborative mentorship was effective in overcoming many barriers encountered with one-on-one mentorship.
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 | 0,009 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».