P081 Design Of Physician Printed Educational Materials: Making Good Ideas Stick
Notice bibliographique
Résumé
Background It is difficult to communicate new and complex clinical evidence to physicians already experiencing information overload. Proper use of design principles may increase uptake of guidelines and other printed educational materials (PEM) and improve practice. Objectives We aimed to determine whether physician-oriented PEMs are created in accordance with design principles. Methods We analysed PEMs identified in a 2012 Cochrane review of their effect on professional and patient outcomes and developed a checklist of design principles based on a literature review of clinical guideline implementability. Two analysts independently evaluated each PEM to determine how design principles were applied. Results Though the sample consisted of PEMs designed and developed to influence care, no single PEM scored well across all categories. Some PEMs failed to differentiate major recommendations and did not present them in a stepwise fashion. Most used clear and easy to read text, but highlighting was often inappropriate. Some algorithms lacked logic and consistency. Images were poorly designed and used, which may distract and confuse the reader. Discussion Design principles are not consistently applied in the development of PEMs and improvements are needed to images, presentation of recommendations, and usability of algorithms. Improvements to the design of PEMs may influence their uptake by combating information overload and increasing their perceived ease of use and perceived usefulness. Implications for Guideline Developers/Users Those who create guidelines and other PEMs consider some design principles, but do not implement them consistently. Our checklist can assist guideline developers in employing a range of design principles.
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 | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».