Individual training at the undergraduate level to promote competence in breaking bad news in oncology
Notice bibliographique
Résumé
OBJECTIVE: Training medical students in breaking bad news (BBN) in oncology may be key to improve patient care in an area where many physicians tend to be uncomfortable. Given the lack of evidence in the literature, this study aimed to assess empirically the impact of 2 teaching strategies to prepare students for the task of BBN in oncology: one-to-one simulated patient (SP) training with individual feedback (intervention group) vs small-group SP training with collective feedback (comparison group). METHODS: Fourth-year students (N = 236) were randomly assigned to the intervention or comparison group. The SP videotaped interviews were analyzed with respect to BBN communication performance, rated using the Calgary-Cambridge checklist of teaching objectives for BBN; verbal interaction behaviors, coded with the Roter interaction analysis system; and 7 nonverbal behaviors. RESULTS: Students in the intervention group scored significantly higher after than before the training on the overall evaluation of the interview (P < .001) as well as on process skills (P < .001); they also obtained significantly higher scores compared to students in the comparison group on the overall evaluation of the interview (P < .001) and on process skills (P < .001). CONCLUSIONS: This study supports an individualized BBN teaching strategy and contributes to efforts to find the best way to train and reach the largest number of future physicians to improve communication competences in oncology.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».