Twelve tips to guide effective participant recruitment for interprofessional education research
Notice bibliographique
Résumé
BACKGROUND: The success of research in interprofessional education is largely due to the participation of students. Their recruitment is, however, perhaps the most challenging part of any study, and, yet, is a key determinant of the results. AIM: The aim of this article is to provide a "how to guide" for medical education researchers to facilitate the recruitment of students across health professions. RESULTS: The 12 tips are (1) establish clear expectations with your research team from the start; (2) do your homework: invest time and energy in pre-recruitment preparation; (3) develop a plan: be realistic about your resources; (4) create a "Buzz" about your interprofessional research; (5) prepare multiple communication methods - can't just rely on one! (6) engage volunteers across professions to participate; (7) address the participant's willingness to take part in the research; (8) demonstrate good interpersonal skills; (9) be diligent in tracking participants; (10) show appreciation and share results; (11) consider participant incentives: are they really important? (12) maintain tenacity - no one said interprofessional recruitment was easy! CONCLUSIONS: Interprofessional studies offer numerous logistical, administrative and scheduling challenges; the 12 tips are provided to help medical education researchers develop and manage the successful recruitment of students across the health professions.
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 | 0,009 | 0,011 |
| 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 | 0,001 | 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) | 0,008 | 0,002 |
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 ».