MétaCan
Menu
Retour à la cohorte
Enregistrement W2139919326

Efficacy of Teaching Clinical Clerks and Residents How to Fill Out the Form 1 of the Mental Health Act Using an e-Learning Module

2009· article· en· W2139919326 sur OpenAlexaboutno aff
Sarah Garside, Anthony J Levinson, Sophie Kuziora, Michael Bay, Geoffrey R. Norman

Notice bibliographique

RevueThe Electronic Journal of e-Learning · 2009
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical Reasoning and Diagnostic Skills
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMental healthTest (biology)Grading (engineering)Intervention (counseling)Intraclass correlationPsychologyMedical educationMedicineClinical psychologyPsychiatryPsychometrics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Background: Every physician in Ontario needs to know how to fill out a Form 1 in order to legally hold a person against their will for a psychiatric assessment. These forms are frequently inaccurately filled out, which could constitute wrongful confinement and, in extreme circumstances, could lead to fines as large as $25,000. Training people to fill out a Form 1 accurately is a large task, and e-learning (Internet-based training) provides a potentially efficient model for health human resources training on the Form 1. Objective: In this study, we looked at the efficacy of an e-learning module on the Form 1 by comparing baseline knowledge and skills with posttest performance. Methods: 7 medical students and 15 resident physicians were recruited for this study from within an academic health sciences setting in Hamilton, Ontario, Canada (McMaster University). The intervention took place over 1 hour in an educational computing lab and included a pretest (with tests of factual knowledge, clinical reasoning, and demonstration of skill filling out a Form 1), the e-learning module intervention, and a posttest. The primary outcome was the change between pre- and posttest performance. A scoring system for grading the accuracy of the Form 1 was developed and two blinded raters marked forms independently. Participants were randomly assigned to one of two sequences of assessments (A then B vs B then A), with a balanced design determining which test the participants received as either the pretest or posttest. Inter-rater reliability was determined using the Intraclass Correlation. Repeated measures analysis of variance was conducted. Results: The Intraclass Correlation (ICC) as the measure for inter-rater reliability was 0.98. For all outcome measures of knowledge, clinical reasoning, and skill at filling out the Form 1 there was a statistically significant improvement between pretest and posttest performance (knowledge, F(1,21) 54.5, p<0.001; clinical reasoning, F(1,21) 9.39, p=0.006; Form 1 skill, F(1,21) 15.7, p=0.001). Further analysis showed no significant differences or interactions with other variables such as between raters, the order of assessment, or trainee type. Conclusions: Under laboratory conditions, this e-learning module demonstrated substantial efficacy for training medical students and residents on the theory and practice of filling out the Form 1 of the Mental Health Act. E-learning may prove to be an efficient and cost-effective medium for training physicians on this important medico-legal aspect of care. Further research is required to look at the longer-term impact of training and broader implementation strategies across the province for medical trainees and practicing physicians.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,024
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,387
Écart entre enseignants0,353 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Electronic Journal of e-LearningMême sujetClinical Reasoning and Diagnostic SkillsTravaux en français237 207