Medical mentorship in Afghanistan: How are military mentors perceived by Afghan health care providers?
Notice bibliographique
Résumé
BACKGROUND: Previous work has been published on the experiences of high-resource setting physicians mentoring in low-resource environments. However, not much is known about what mentees think about their First World mentors. We had the opportunity to explore this question in an Afghan Army Hospital, and we believe this is the first time this has been studied. METHODS: We conducted a pilot cross-sectional survey of Afghan health care providers evaluating their Canadian mentors. We created a culturally appropriate 19- question survey with 5-point Likert scores that was then translated into the local Afghan language. The survey questions were based on domains of Royal College of Physicians and Surgeons of Canada's CanMEDS criteria. RESULTS: The survey response rate was 90% (36 of 40). The respondents included 13 physicians, 21 nurses and 2 other health care professionals. Overall, most of the Afghan health care workers felt that working with mentors from high-resource settings was a positive experience (median 4.0, interquartile range [IQR] 4-4), according to CanMEDS domains. However, respondents indicated that the mentors were reliant on medical technology for diagnosis (median 5.0, IQR 4-5) and failed to consider the limited resources available in Afghanistan. CONCLUSION: The overall impression of Afghan health care providers was that mentors are appropriate and helpful. CanMEDS can be used as a framework to evaluate mentors in low-resource conflict environments.
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 | 0,008 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».