A framework for telepsychiatric training and e-health: Competency-based education, evaluation and implications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 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 découle