Musculoskeletal examination teaching by patients versus physicians: How are they different? Neither better nor worse, but complementary
Notice bibliographique
Résumé
BACKGROUND: Musculoskeletal (MSK) complaints comprise 12-20% of primary healthcare; however, practicing physicians' MSK physical examination (PE) skills are weak. Further, there is a shortage of specialists able to effectively teach this subject. Previous evaluations of patient educators have yielded mixed results. AIMS: The aim of this study is to document how teaching by patient educators and physician tutors in MSK PE skills differs. METHODS: A qualitative researcher observed, video-recorded, and took notes during preclerkship MSK PE teaching sessions given by patient educators or physician tutors. The researcher identified themes which were evaluated by collective case study methods. RESULTS: Two patient educator and four physician groups were evaluated. The patient educators were more consistent regarding content and style than the physicians. There appeared to be a continuum in teaching organization from patient educator to novice physician tutors to experienced physician tutors. The patient educators consistently covered all major joints (physicians did not); physicians were more likely to request verbalization of actions, relate findings to history, receive questions, and use opportunistic teaching moments. CONCLUSIONS: Understanding preclerkship MSK teaching by patient educators compared to physician tutors is necessary for appropriate targeting of the existing Patient Partners® in Arthritis patient educator program and to guide the development of future MSK teaching initiatives.
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 | 0,001 |
| 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 ».