(Mis)perceptions of Continuing Education: Insights From Knowledge Translation, Quality Improvement, and Patient Safety Leaders
Notice bibliographique
Résumé
INTRODUCTION: Minimal attention has been given to the intersection and potential collaboration among the domains of continuing education (CE), knowledge translation (KT), quality improvement (QI), and patient safety (PS), despite their overlapping objectives. A study was undertaken to examine leaders' perspectives of these 4 domains and their relationships to each other. In this article, we report on a subset of the data that focuses on how leaders in KT, PS, and QI define and view the domain of CE and opportunities for collaboration. METHODS: This study is based on a qualitative interpretivist framework to guide the collection and analysis of data in semistructured interviews. Criterion-based, maximum variation, and snowball sampling were used to identify key opinion leaders in each domain. The sample consisted of 15 individuals from the domains KT, QI, and PS. The transcripts were coded using a directed content analysis approach. RESULTS: The findings are organized into 3 thematic subsections: (1) definition and interpretation of CE, (2) concerns about relevance and effectiveness of CE, and (3) opportunities for collaboration among CE and the other domains. While there were slight differences among the data from the leaders of each domain, common themes were generally reported. DISCUSSION: The findings provide CE leaders with information about KT, QI, and PS leaders' (mis)perceptions about CE that can inform future strategic planning and activities. CE leaders can play an important role in building upon initial collaborations among the domains to enable their strengths to complement each other.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».