The Use of a Modified Delphi Technique to Inform the Development of Best Practice in Interprofessional Training for Collaborative Primary Healthcare
Notice bibliographique
Résumé
Background: Primary healthcare (PHC) education and training is directed to a diverse range of health professionals at undergraduate, postgraduate, and professional levels. Increasing emphasis is being placed on PHC professionals working together in delivering better care and improving patient outcomes. This article reports on using a modified Delphi technique to determine the level of consensus on a series of statements across four domains of interprofessional education (IPE) for collaborative practice: big picture, organization, capabilities, teaching, and learning. Methods and Findings: The modified Delphi technique used three Delphi rounds: the first round comprising workshops, interviews, or online survey; the remaining rounds used online surveys. A panel of 56 PHC medical, nursing, allied health, and workforce experts participated. There was consensus on a set of capabilities for interprofessional learning outcomes and on a range of teaching and learning strategies. Areas for further consideration included identifying interprofessional training opportunities through continuing professional development, and tailoring team-based approaches to diverse PHC settings. Conclusion: The modified Delphi technique used in this project demonstrated a successful engagement of a heterogeneous panel of PHC experts. The principles of IPE for collaborative practice and strategies for delivering interprofessional training could apply across various PHC settings.
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 | 0,015 | 0,024 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».