Backward Planning a Craniomaxillofacial Trauma Curriculum for the Surgical Workforce in Low‐Resource Settings
Notice bibliographique
Résumé
BACKGROUND: Trauma is a significant contributor to global disease, and low-income countries disproportionately shoulder this burden. Education and training are critical components in the effort to address the surgical workforce shortage. Educators can tailor training to a diverse background of health professionals in low-resource settings using competency-based curricula. We present a process for the development of a competency-based curriculum for low-resource settings in the context of craniomaxillofacial (CMF) trauma education. METHODS: CMF trauma surgeons representing 7 low-, middle-, and high-income countries conducted a standardized educational curriculum development program. Patient problems related to facial injuries were identified and ranked from highest to lowest morbidity. Higher morbidity problems were categorized into 4 modules with agreed upon competencies. Methods of delivery (lectures, case discussions, and practical exercises) were selected to optimize learning of each competency. RESULTS: A facial injuries educational curriculum (1.5 days event) was tailored to health professionals with diverse training backgrounds who care for CMF trauma patients in low-resource settings. A backward planned, competency-based curriculum was organized into four modules titled: acute (emergent), eye (periorbital injuries and sight preserving measures), mouth (dental injuries and fracture care), and soft tissue injury treatments. Four courses have been completed with pre- and post-course assessments completed. CONCLUSIONS: Surgeons and educators from a diverse geographic background found the backward planning curriculum development method effective in creating a competency-based facial injuries (trauma) course for health professionals in low-resource settings, where contextual aspects of shortages of surgical capacity, equipment, and emergency transportation must be considered.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».