Defining competencies for the practice of telepsychiatry through an assessment of resident learning needs
Notice bibliographique
Résumé
BACKGROUND: A foundational assessment of learning needs is missing from previous reports of telepsychiatry curricula. We used an in-depth needs assessment to identify specific skills required for the practice of effective telepsychiatry, and provide an evidence base to guide the development of telepsychiatry curricula in postgraduate psychiatry training. Many of these skills set telepsychiatry apart from practice in traditional face-to-face clinical settings, or result from adaptations to clinical practice to meet the needs of a telepsychiatry interface in patient care. METHODS: We used a qualitative, modified grounded theory approach to gain insight into areas of importance for telepsychiatry training in postgraduate psychiatry residency. 16 interviews of faculty and residents (9 and 7 interviews, respectively), allowed participants to reflect on their experiences in telepsychiatry. Data were then thematically analyzed. RESULTS: Interview respondents identified important aspects of the context for telepsychiatry training; the skills required to competently practice telepsychiatry; and the desired teaching and learning methods for acquiring these skills. Specific domains of competency were identified: technical skills; assessment skills; relational skills and communication; collaborative and interprofessional skills; administrative skills; medico-legal skills; community psychiatry and community-specific knowledge; cultural psychiatry skills, including knowledge of Indigenous cultures; and, knowledge of health systems. The skills identified in this study map well to competency- based medical education frameworks. CONCLUSIONS: Telepsychiatry is increasingly being adopted as a solution to health systems problems such as regional disparities in access to care, and it requires explicit competency development. Ensuring adequate and quality exposure to telepsychiatry during residency training could positively impact our health systems and health equity.
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 | 0,012 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».