A framework for telepsychiatric training and e-health: Competency-based education, evaluation and implications
Notice bibliographique
Résumé
Telepsychiatry (TP; video; synchronous) is effective, well received and a standard way to practice. Best practices in TP education, but not its desired outcomes, have been published. This paper proposes competencies for trainees and clinicians, with TP situated within the broader landscape of e-mental health (e-MH) care. TP competencies are organized using the US Accreditation Council of Graduate Medical Education framework, with input from the CanMEDS framework. Teaching and assessment methods are aligned with target competencies, learning contexts, and evaluation options. Case examples help to apply concepts to clinical and institutional contexts. Competencies can be identified, measured and evaluated. Novice or advanced beginner, competent/proficient, and expert levels were outlined. Andragogical (i.e. pedagogical) methods are used in clinical care, seminar, and other educational contexts. Cross-sectional and longitudinal evaluation using quantitative and qualitative measures promotes skills development via iterative feedback from patients, trainees, and faculty staff. TP and e-MH care significantly overlap, such that institutional leaders may use a common approach for change management and an e-platform to prioritize resources. TP training and assessment methods need to be implemented and evaluated. Institutional approaches to patient care, education, faculty development, and funding also need to be studied.
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 | 0,079 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,018 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,012 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,007 | 0,009 |
| Intégrité de la recherche | 0,007 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».