What faculty need to learn about improvement and how to teach it to others
Notice bibliographique
Résumé
Quality improvement in health care, appropriately understood and applied, is one way to develop a sense of control over daily work. How can faculty members learn improvement methods, apply them to work and teach them to future health professionals? The paper outlines an improvement 'theory' and illustrates some ways it has been taught and learned by 10 interdisciplinary groups of faculty and students over the past 6 years. Eight domains constitute the content of improvement knowledge. They include: (1) health care as a system; (2) variation and measurement; (3) knowledge of the beneficiaries of health care services; (4) leading, following and making changes; (5) collaboration; (6) social context and accountability; (7) developing new locally useful knowledge; and (8) professional subject matter knowledge. Many lessons have been learned by 10 Local Interdisciplinary teams who have collaborated over the past 6 years including: (1) Systems knowledge is more effectively learned in the context of real work than in the classroom; (2) outcomes of care are beneficial sources of information to learn about the beneficiaries of care; and (3) the experience of collaboration with others-experts, colleagues, students and others-can be a learning tool in itself, especially in an inter-professional team. Involvement of students from multiple disciplines can enhance the impact of efforts to allocate resources in their organizations to building knowledge for improvement.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,037 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,014 | 0,024 |
| Communication savante | 0,022 | 0,034 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,014 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,007 |
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 source (Gemma direct ou Codex distillé), 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 ».