How can clinician-educator training programs be optimized to match clinician motivations and concerns?
Notice bibliographique
Résumé
BACKGROUND: Several medical schools have implemented programs aimed at supporting clinician-educators with formal mentoring, training, and experience in undergraduate medical teaching. However, consensus program design has yet to be established, and the effectiveness of these programs in terms of producing quality clinician-educator teaching remains unclear. The goal of this study was to review the literature to identify motivations and perceived barriers to clinician-educators, which in turn will improve clinician-educator training programs to better align with clinician-educator needs and concerns. METHODS: Review of medical education literature using the terms "attitudes", "motivations", "physicians", "teaching", and "undergraduate medical education" resulted in identification of key themes revealing the primary motivations and barriers involved in physicians teaching undergraduate medical students. RESULTS: A synthesis of articles revealed that physicians are primarily motivated to teach undergraduate students for intrinsic reasons. To a lesser extent, physicians are motivated to teach for extrinsic reasons, such as rewards or recognition. The key barriers deterring physicians from teaching medical students included: decreased productivity, lack of compensation, increased length of the working day, patient concerns/ethical issues, and lack of confidence in their own ability. CONCLUSION: Our findings suggest that optimization of clinician-educator training programs should address, amongst other factors, time management concerns, appropriate academic recognition for teaching service, and confidence in teaching ability. Addressing these issues may increase the retention of clinicians who are active and proficient in medical education.
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 | 0,005 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».