The Influence of Patient Characteristics on the Perceived Value of Inpatient Educational Experiences by Medical Trainees
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: Medical education relies heavily on workplace learning where trainees are educated through their clinical experience. Few studies have explored trainees' perceptions of the educational value of these patient care experiences. The aim of this study was to identify pediatric patient characteristics that medical trainees perceive as educationally valuable. METHODS: Over 2 months, trainees on pediatric inpatient wards ranked the perceived educational value of patients under their care on a 4-point bipolar Likert scale. Three patient characteristics were examined: complex-chronic and noncomplex-chronic preexisting conditions, difficult social circumstances, and rare diseases. Patient-level predictors of cases perceived as educationally valuable (defined as scores≥3) were examined by using univariate and multivariate analyses. RESULTS: A total of 325 patients were rated by 51 trainees (clinical medical students [45%], first-year residents [29%], third-year residents/fellows [26%]). Rare diseases had a higher educational value score (adjusted odds ratio 1.76, 95% confidence interval 1.08-2.88, P=.02). Complex-chronic and noncomplex-chronic preexisting conditions and difficult social circumstances did not affect the perceived educational value. CONCLUSIONS: Trainees attribute the most educational value to caring for patients with rare diseases. Although trainees' perceptions of learning do not necessarily reflect actual learning, they may influence personal interest and limit learning from an educational experience. Knowledge of trainee perceptions of educational experience therefore can direct medical educators' approaches to inpatient education.
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 | 0,012 |
| 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 ».