Identifying Prevalence and Characteristics of Behavioral Health Education in Family Medicine Clerkships:
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Many patients with behavioral health disorders do not seek or receive adequate care for their conditions. Among those that do, most will receive care in a primary care setting. To best meet this need, clinicians will need to demonstrate proficiency of behavioral health skills and evidence-based practices. We sought to explore the degree to which these skills are being taught in family medicine clerkships. METHODS: The Council of Academic Family Medicine's (CAFM) Educational Research Alliance (CERA) 2016 survey of clerkship directors (CDs) was sent to 141 CDs at US and Canadian medical schools with a required family medicine run course. CDs were asked about the inclusion of behavioral health topics, tools, and techniques in the clerkship, as well as rating the importance of these items. RESULTS: Eighty-six percent of CDs completed the survey. Mood disorders (81.4%) were most frequently taught, followed by anxiety disorders (77.8%), substance use disorders (74.4%), and impulse control disorders (39.1%). Screening tools and behavioral health counseling skills were less commonly taught. CONCLUSIONS: Many behavioral health topics are not taught universally to all family medicine clerkship students. Gaps exist between what is included in current curriculum and what is recommended by the National Clerkship Curriculum for family medicine. These gaps may represent challenges for improving the care for patients with behavioral health disorders.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».