Postgraduate education for doctors in smoking cessation
Notice bibliographique
Résumé
INTRODUCTION AND AIMS: Smoking cessation advice from doctors helps improve quit rates but the opportunity to provide this advice is often missed. Postgraduate education is one strategy to improve the amount and quality of cessation support provided. This paper describes a sample of postgraduate education programs for doctors in smoking cessation and suggests future directions to improve reach and quality. DESIGN AND METHODS: Survey of key informants identified through tobacco control listserves supplemented by a review of the published literature on education programs since 2000. Programs and publications from Europe were not included as these are covered in another paper in this Special Issue. RESULTS: Responses were received from only 21 key informants from eight countries. Two further training programs were identified from the literature review. The following components were present in the majority of programs: 5 As (Ask, Advise, Assess, Assist and Arrange) approach (72%), stage of change (64%), motivational interviewing (72%), pharmacotherapies (84%). Reference to clinical practice guidelines was very common (84%). The most common model of delivery of training was face to face. Lack of interest from doctors and lack of funding were identified as the main barriers to uptake and sustainability of training programs. DISCUSSION AND CONCLUSIONS: Identifying programs proved difficult and only a limited number were identified by the methods used. There was a high level of consistency in program content and a strong link to clinical practice guidelines. Key informants identified limited reach into the medical profession as an important issue. New approaches are needed to expand the availability and uptake of postgraduate education in smoking cessation
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».