Impact of a Brief Addiction Medicine Training Experience on Knowledge Self-Assessment among Medical Learners
Notice bibliographique
Résumé
BACKGROUND: Implementation of evidence-based approaches to the treatment of various substance use disorders is needed to tackle the existing epidemic of substance use and related harms. Most clinicians, however, lack knowledge and practical experience with these approaches. Given this deficit, the authors examined the impact of an inpatient elective in addiction medicine amongst medical trainees on addiction-related knowledge and medical management. METHODS: Trainees who completed an elective with a hospital-based Addiction Medicine Consult Team (AMCT) in Vancouver, Canada, from May 2015 to May 2016, completed a 9-item self-evaluation scale before and immediately after the elective. RESULTS: A total of 48 participants completed both pre and post AMCT elective surveys. On average, participants were 28 years old (interquartile range [IQR] = 27-29) and contributed 20 days (IQR = 13-27) of clinical service. Knowledge of addiction medicine increased significantly post elective (mean difference [MD] = 8.63, standard deviation [SD] = 18.44; P = .002). The most and the least improved areas of knowledge were relapse prevention and substance use screening, respectively. CONCLUSIONS: Completion of a clinical elective with a hospital-based AMCT appears to improve medical trainees' addiction-related knowledge. Further evaluation and expansion of addiction medicine education is warranted to develop the next generation of skilled addiction care providers.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».