Exploring the components of physician volunteer engagement: a qualitative investigation of a national Canadian simulation-based training programme
Notice bibliographique
Résumé
OBJECTIVES: Conceptual clarity on physician volunteer engagement is lacking in the medical literature. The aim of this study was to present a conceptual framework to describe the elements which influence physician volunteer engagement and to explore volunteer engagement within a national educational programme. SETTING: The context for this study was the Acute Critical Events Simulation (ACES) programme in Canada, which has successfully evolved into a national educational programme, driven by physician volunteers. From 2010 to 2014, the programme recruited 73 volunteer healthcare professionals who contributed to the creation of educational materials and/or served as instructors. METHOD: A conceptual framework was constructed based on an extensive literature review and expert consultation. Secondary qualitative analysis was undertaken on 15 semistructured interviews conducted from 2012 to 2013 with programme directors and healthcare professionals across Canada. An additional 15 interviews were conducted in 2015 with physician volunteers to achieve thematic saturation. Data were analysed iteratively and inductive coding techniques applied. RESULTS: From the physician volunteer data, 11 themes emerged. The most prominent themes included volunteer recruitment, retention, exchange, recognition, educator network and quasi-volunteerism. Captured within these interrelated themes were the framework elements, including the synergistic effects of emotional, cognitive and reciprocal engagement. Behavioural engagement was driven by these factors along with a cue to action, which led to contributions to the ACES programme. CONCLUSION: This investigation provides a preliminary framework and supportive evidence towards understanding the complex construct of physician volunteer engagement. The need for this research is particularly important in present day, where growing fiscal constraints create challenges for medical education to do more with less.
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 | 0,016 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,014 | 0,010 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».