South Eastern Interprofessional Collaborative Learning Environment (SEIPCLE): Nurturing Collaborative Practice
Notice bibliographique
Résumé
AbstractBackground: There has been tremendous pressure on Canada’s healthcare system to respond to the increasingly complex health needs of the population despite worsening constraints in financial and human resources. Interprofessional collaborative practice has been seen as an enabler for improving patient care and meeting the current demands on the healthcare system.Methods: The South Eastern Interprofessional Collaborative Learning Environment (SEIPCLE) project, funded by HealthForceOntario, focused on the development and evaluation of the collaborative practice care model in three clinical settings in Southeastern Ontario, Canada. The project was exploratory in nature and used a quasi-experimental design with pre- and post-tests matched with non-equivalent control groups. Several different measures were used, including the Collaborative Practice Assessment Tool (CPAT), an Interprofessional Clinical Education Survey, and a Patient Participation Survey. Quantitative outcome measures were derived from these instruments using factor analysis, and analyzed using regression modelling with co-variates. Focus groups, interviews, and questionnaires provided qualitative data that was coded conceptually and used to complement the results of analyses using quantitative measures. Intervention teams participated in educational components that addressed identified weaknesses in their collaborative practice. Educational components included online modules, workshops, and real-time activities.Findings: Implementation of educational components in the clinical setting posed a number of challenges to reducing the exposure time for some of the intervention teams. Barriers to and enablers of the development of collaborative practice in the healthcare system were identified.Conclusion: Overall, all three intervention teams demonstrated an increase in perceived levels of collaborative practice. Although the results were not statistically significant, the effect, size, and magnitude of change were considered substantial.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,014 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».