Teaching and Learning Interprofessionally: Family Medicine Residents Differ From Other Healthcare Learners
Notice bibliographique
Résumé
AbstractBackground: In recent years, interprofessional education and collaborative patient centred care have been promoted to improve efficiency and quality of healthcare service. Teaching interprofessional education has been challenging. There are fewmature curricula, a lack of standardized teaching approaches, and our healthcare learners are educated in different institutional systems. The objective of this study was to explore how one interprofessional educational initiative impacted different healthcare learners from college and university.Methods and Findings: A day-long interprofessional cognitive behavioural therapy (CBT) workshop was presented to learners from multiple disciplines. Within aframework of collaborative, experiential, and reflective learning, the workshop aimed to promote interprofessional teamwork skills, professional roles, and collaborative behaviours. A mixed-methods design using pre- and post-workshop questionnaires was used to evaluate the effectiveness of the workshop. Significant differences were found between family medicine (FM) residents and healthcare learners of other disciplines in three domains: a) satisfaction with the CBT content area of the workshop, b) attitude toward interprofessional learning and collaboration, and c) the interprofessional learning experience.Conclusions: The results resonate with longstanding, taken-for-granted roles and attitudes in the culture of healthcare. This study invites serious consideration of when best to embed interprofessional education in healthcare curricula, so that learners will come to shape a professional identity that includes interprofessional collaborative care.
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 | 0,015 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,007 |
| 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 ».