Socio‐material perspectives on interprofessional team and collaborative learning
Notice bibliographique
Résumé
CONTEXT: Interprofessional teamwork and collaboration have become important parts of health care practice and education. Most of the literature on interprofessional learning, however, assumes that learning is something acquired by individuals and readily transferred to other contexts. This assumption severely limits the ways in which interprofessional educators and researchers can conceptualise and support learning related to collaborative interprofessional health care. Socio-material theories provide an alternative to individualistic, acquisition-oriented notions by reconceiving learning in terms of collective dynamics, participation in social communities and active engagement with material contexts. METHODS: Socio-material literature and theories were reviewed to identify concepts relevant to interprofessional learning. After briefly summarising the origins and key principles of socio-material approaches, the authors draw upon specific socio-material theories--including complexity theory, cultural-historical activity theory and actor-network theory--in order to reconceive how learning happens in interprofessional contexts. This reframing of interprofessional learning focuses less on individuals and more on collective dynamics and the actual social and material relations involved in practice. DISCUSSION: The paper proposes five ways in which learning may be enacted in interprofessional teamwork and collaboration from a socio-material perspective: (i) diverse contributions; (ii) social interactions and relationships; (iii) synthesis of professional ideas; (iv) integration of material elements, and (v) connections to large-scale organisations. For each of these categories, the paper provides practical illustrations to assist educators and researchers who wish to identify and assess this learning. CONCLUSIONS: Although more exploratory than comprehensive, this paper articulates many key aspects of socio-material learning theories and offers practical guidance for those who wish to employ and assess them in interprofessional contexts.
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 | 0,010 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,009 | 0,053 |
| Communication savante | 0,013 | 0,012 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».