Interprofessional simulated learning: short-term associations between simulation and interprofessional collaboration
Notice bibliographique
Résumé
BACKGROUND: Health professions education programs use simulation for teaching and maintaining clinical procedural skills. Simulated learning activities are also becoming useful methods of instruction for interprofessional education. The simulation environment for interprofessional training allows participants to explore collaborative ways of improving communicative aspects of clinical care. Simulation has shown communication improvement within and between health care professions, but the impacts of teamwork simulation on perceptions of others' interprofessional practices and one's own attitudes toward teamwork are largely unknown. METHODS: A single-arm intervention study tested the association between simulated team practice and measures of interprofessional collaboration, nurse-physician relationships, and attitudes toward health care teams. Participants were 154 post-licensure nurses, allied health professionals, and physicians. Self- and proxy-report survey measurements were taken before simulation training and two and six weeks after. RESULTS: Multilevel modeling revealed little change over the study period. Variation in interprofessional collaboration and attitudes was largely attributable to between-person characteristics. A constructed categorical variable indexing 'leadership capacity' found that participants with highest and lowest values were more likely to endorse shared team leadership over physician centrality. CONCLUSION: Results from this study indicate that focusing interprofessional simulation education on shared leadership may provide the most leverage to improve interprofessional 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,004 | 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 ».