MétaCan
Menu
Retour à la cohorte
Enregistrement W2510058180 · doi:10.1097/ceh.0000000000000078

Paradoxical Truths and Persistent Myths: Reframing the Team Competence Conversation

2016· article· en· W2510058180 sur OpenAlexaff
Lorelei Lingard

Notice bibliographique

RevueJournal of Continuing Education in the Health Professions · 2016
Typearticle
Langueen
DomaineHealth Professions
ThématiqueInterprofessional Education and Collaboration
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésCognitive reframingTeamworkMythologyCompetence (human resources)ConversationHealth carePsychologyIndividualismSocial psychologySociologyPedagogyPublic relationsPolitical scienceLaw

Résumé

récupéré en direct d'OpenAlex

Medicine has conventionally had an individualist orientation to competence. Individual competence is conceptualized as a stable possession that, once acquired, holds across contexts. Individual competence is necessary; however, it is insufficient for quality health care. We also need to attend to collective competence in order to grapple with paradoxical truths about teamwork, such as: competent individuals can form incompetent teams. Collective competence is conceptualized as a distributed capacity of a system, an evolving, relational phenomenon that emerges from the resources and constraints of particular contexts. This article outlines a set of paradoxical truths about teamwork in health care and uses the concept of collective competence to explain how they can hold true. It then considers a set of persistent myths about teamwork which have their roots in an individualist orientation, exploring how they hold us back from meaningful change in how we educate for, and practice as, health care teams. Finally, the article briefly considers the implications of these truths and myths for educational issues such as interprofessional education and competency-based health professional 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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,050
score de la tête « metaresearch » (Gemma)0,068
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,050
Score d'incertitude au seuil0,264

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0500,068
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0060,004
Études des sciences et des technologies0,0230,148
Communication savante0,0250,055
Science ouverte0,0050,023
Intégrité de la recherche0,0130,031
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,429
Écart entre enseignants0,401 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations107
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Continuing Education in the Health ProfessionsMême sujetInterprofessional Education and CollaborationTravaux en français237 207