‘Speaking up’ climate: a new domain of culture to measure and explore
Notice bibliographique
Résumé
Communication failure constitutes a key contributor to healthcare errors.1 ,2 In addition to poor communication and poor hand-offs, failure to speak up when one recognises a potential safety problem—unsafe acts or unprofessional behaviour—represents an important example of communication failure. Despite on-going calls for clinicians to speak up when they notice threats to patient safety, speaking up remains difficult due to fear of repercussions,3 ,4 power differences and authority gradients,1 ,5 among other factors. Some evidence suggests that clinicians may not speak up even when they perceive substantial potential for harm.6 In an effort to tackle the issue of speaking up, Martinez et al 7 present preliminary psychometrics for a new measure of speaking up climate . This paper makes an important contribution to the literature, as the field can certainly benefit from a measure that focuses on perceptions and enablers of ‘speaking up’. Martinez et al study two scales. The first measures the climate for speaking up about traditional patient safety concerns (SUC-Safe), such as improper sterile technique or an inadequate hand off. The second scale focuses on perceptions of speaking up about professionalism-related safety concerns (SUC-Prof), such as covering up an error, false documentation or disruptive behaviour. Both of these areas—traditional patient safety concerns and unprofessional behaviours—clearly represent important targets for ‘speaking up’ by members of the care team. Several of the findings from Martinez et al hold interest. Their results comparing per cent positive scores on their speaking up climate scales when compared with more general safety attitudes scores (measured using the Safety Attitudes Questionnaire8) highlight residents’ overall reluctance to speak up in general, but particularly regarding professionalism issues. These findings can drive change …
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».