Impact of a debate on pharmacy students' views of online pharmacy practice
Notice bibliographique
Résumé
OBJECTIVES: To evaluate the impact of a debate on pharmacy students' perceptions, using online pharmacy practice as the debate topic. METHODS: This is a quasi-experimental interrupted time-series study. A 60 min debate was organized as a lunchtime meeting. A four-category Likert scale questionnaire (fully agree, partially agree, partially disagree, fully disagree) measured the debate participants' level of agreement with 25 statements (main issues associated with online pharmacy) in the pre-phase (before the debate), post-phase 1 (after the debate) and post-phase 2 (6 months after the debate). One hundred and seventy-seven students were recruited (response rate of 100% in the pre-phase and post-phase 1, 31% in post-phase 2). Four questions measured the perceptions of the students on this pedagogical technique. KEY FINDINGS: The overall proportion of respondents in favour of online pharmacy practice showed little variation among the three phases. However, on average (mean ± SD) 43 ± 8% of the respondents changed their opinion, 21 ± 7% reversed their opinion, 22 ± 4% nuanced their opinion and 1 ± 1% radically changed their opinion. Respectively 98% (post-phase 1) and 96% (post-phase 2) of the respondents were of the opinion that debate was a very useful teaching formula in their pharmacist training and 79 and 66% thought debate significantly changed their opinion of the issue. CONCLUSIONS: Few data have been collected on the use of debates as part of healthcare professional training. The impact of a debate on how pharmacy students feel about online pharmacy practice is described.
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 | 0,005 | 0,009 |
| 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 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».