Systems-Based Training in Graduate Medical Education for Service Learning in the State Legislature in the United States: Pilot Study
Notice bibliographique
Résumé
BACKGROUND: There is a dearth of advocacy training in graduate medical education in the United States. To address this void, the Legislative Education and Advocacy Development (LEAD) course was developed as an interprofessional experience, partnering a cohort of pediatrics residents, fourth-year medical students, and public health students to be trained in evidence-informed health policy making. OBJECTIVE: The objective of our study was to evaluate the usefulness and acceptability of a service-based legislative advocacy course. METHODS: We conducted a pilot study using a single-arm pre-post study design with 10 participants in the LEAD course. The course's didactic portion taught learners how to define policy problems, research the background of the situation, brainstorm solutions, determine evaluation criteria, develop communication strategies, and formulate policy recommendations for state legislators. Learners worked in teams to create and present policy briefs addressing issues submitted by participating Illinois State legislators. We compared knowledge and attitudes of learners from pre- and postcourse surveys. We obtained qualitative feedback from legislators and pediatric residency directors. RESULTS: Self-reported understanding of the health care system increased (mean score from 4 to 3.3, P=.01), with answers scored from 1=highly agree to 5=completely disagree. Mean knowledge-based scores improved (6.8/15 to 12.0/15 correct). Pediatric residency program directors and state legislators provided positive feedback about the LEAD course. CONCLUSIONS: Promising results were demonstrated for the LEAD approach to incorporate advocacy training into graduate medical education.
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 | 0,009 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».