Learning From Patients: Why Continuity Matters
Notice bibliographique
Résumé
PURPOSE: Patient continuity, described as the student participating in the provision of comprehensive care of patients over time, may offer particular opportunities for student learning. The aim of this study was to describe how students experience patient continuity and what they learn from it. METHOD: An interpretive phenomenological study was conducted between 2015 and 2016. Seventeen fourth-year medical students were interviewed following a longitudinal clinical placement and asked to describe their experiences of patient continuity and what they learned from each experience. Transcripts were analyzed by iteratively refining and testing codes, using health system definitions of patient continuity as sensitizing concepts to develop descriptive themes. RESULTS: Students described three different forms of patient continuity. Continuity of care, or relational continuity, enabled students to build trusting and professional relationships with their patients. Geographical continuity allowed students to access information about patients from electronic records and their preceptors which allowed students to achieve diagnostic closure and learn to reevaluate their decisions. Students valued the learning that accrued from following challenging patients and addressing challenging decisions over time. Although difficult, these patient continuity experiences led students to critical reflection that was both iterative and deep, leading to intentions for future behavior. CONCLUSIONS: Patient continuity in medical education does not depend solely on face-to-face continuity. Within various patient continuity experiences, following challenging patients and experiencing unanticipated diagnostic and management outcomes trigger critical reflection in students, leading to deep learning.
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 | 0,001 | 0,009 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».