Development of an EMS Curriculum
Notice bibliographique
Résumé
Emergency medical services (EMS) became an American Board of Medical Specialties (ABMS) approved subspecialty of emergency medicine in September 2010. Achieving specialty or subspecialty recognition in an area of medical practice requires a unique body of knowledge, a scientific basis for the practice, a significant number of physicians who dedicate a portion of their practice to the area, and a sufficient number of fellowship programs. To prepare EMS fellows for successful completion of fellowship training, a lifetime of subspecialty practice, and certification examination, a formalized structured fellowship curriculum is necessary. A functional curriculum is one that takes the entire body of knowledge necessary to appropriately practice in the identified area and codifies it into a training blueprint to ensure that all of the items are covered over the prescribed training period. A curriculum can be as detailed as desired but typically all major headings and subheadings of the core content are identified and addressed. Common curricular components, specific to each area of the core content, include goals and objectives, implementation methods, evaluation, and outcomes assessment methods. Implementation methods can include simulation, observations, didactics, and experiential elements. Evaluation and outcomes assessment methods can include direct observation of patient assessment and treatment skills, structured patient simulations, 360° feedback, written and oral testing, and retrospective chart reviews. This paper describes a curriculum that is congruent with the current EMS core content, as well as providing a 12-month format to deploy the curriculum in an EMS fellowship program. Key words: curriculum; education; emergency medical services; fellowships and scholarships.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».