Crucial Conversations: An interprofessional learning opportunity for senior healthcare students
Notice bibliographique
Résumé
Clinical errors due to human mistakes are estimated to result in 400,000 preventable deaths per year. Strategies to improve patient safety often rely on healthcare workers' ability to speak up with concerns. This becomes difficult during critical decision-making as a result of conflicting opinions and power differentials, themes underrepresented in many interprofessional initiatives. These elements are prominent in our interprofessional initiative, namely Crucial Conversations. We sought to evaluate this initiative as an interprofessional learning (IPL) opportunity for pre-licensure senior healthcare students, as a way to foster interprofessional collaboration, and as a method of empowering students to vocalise their concerns. The attributes of this IPL opportunity were evaluated using the Points for Interprofessional Education Score (PIPES). The University of the West of England Interprofessional Questionnaire was administered before and after the course to assess changes in attitudes towards IPL, relationships, interactions, and teamwork. Crucial Conversations strongly attained the principles of interprofessional education on the PIPES instrument. A total of 38 volunteers completed the 16 hours of training: 15 (39%) medical rehabilitation, 10 (26%) medicine, 7 (18%) pharmacy, 5 (13%) nursing, and 1 (2%) dentistry. Baseline attitude scores were positive for three of the four subscales, all of which improved post-intervention. Interprofessional interactions remained negative possibly due to the lack of IPL opportunities along the learning continuum, the hidden curriculum, as well as the stereotyping and hierarchical structures in today's healthcare environment preventing students from maximising the techniques learned by use of this interprofessional initiative.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».