Setting priorities for research in medical nutrition education: an international approach
Notice bibliographique
Résumé
OBJECTIVES: To identify the research priorities for medical nutrition education worldwide. DESIGN: A 5-step stakeholder engagement process based on methodological guidelines for identifying research priorities in health. PARTICIPANTS: 277 individuals were identified as representatives for 30 different stakeholder organisations across 86 countries. The stakeholder organisations represented the views of medical educators, medical students, doctors, patients and researchers in medical education. INTERVENTIONS: Each stakeholder representative was asked to provide up to three research questions that should be deemed as a priority for medical nutrition education. MAIN OUTCOME MEASURES: Research questions were critically appraised for answerability, sustainability, effectiveness, potential for translation and potential to impact on disease burden. A blinded scoring system was used to rank the appraised questions, with higher scores indicating higher priority (range of scores possible 36-108). RESULTS: 37 submissions were received, of which 25 were unique research questions. Submitted questions received a range of scores from 62 to 106 points. The highest scoring questions focused on (1) increasing the confidence of medical students and doctors in providing nutrition care to patients, (2) clarifying the essential nutrition skills doctors should acquire, (3) understanding the effectiveness of doctors at influencing dietary behaviours and (4) improving medical students' attitudes towards the importance of nutrition. CONCLUSIONS: These research questions can be used to ensure future projects in medical nutrition education directly align with the needs and preferences of research stakeholders. Funders should consider these priorities in their commissioning of research.
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 | 0,014 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».