The role of distributed education in recruitment and retention of family physicians
Notice bibliographique
Résumé
BACKGROUND: Distributed medical education (DME) programmes, in which training occurs in underserviced areas, have been established as a strategy to increase recruitment and retention of new physicians following graduation to these areas. Little is known about what makes physicians remain in the area in which they train. OBJECTIVES: To explore the factors that contributed to family physician's decisions to practice in an underserviced area following graduation from a DME programme. METHODS: Semistructured inperson interviews were conducted with 19 family physicians who graduated from a DME residency training programme. Programme records were reviewed to identify practice location of DME programme graduates. RESULTS: Of the 32 graduates to date from this DME programme, 66% (N=21) and all of the interview participants established their practices in this region after completing their residency training. Five key themes were identified from the interview analysis as impacting physicians' decisions to establish their practice in an underserviced area following graduation: familial ties to the region, practice opportunities, positive clerkship and residency experiences, established relationships with specialists and services in the area and lifestyle opportunities afforded by the location. CONCLUSIONS: This study suggests that DME programmes can be an effective strategy for equalising the distribution of family physicians and highlights the ways in which these programmes can facilitate recruitment and retention in underserviced areas, including being responsive to residents' personal preferences and objectives for learning and shaping their residency experiences to meet to these objectives.
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 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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».