Prevention and management of unprofessional behaviour among adults in the workplace: A scoping review
Notice bibliographique
Résumé
BACKGROUND: Unprofessional behaviour is a challenge in academic medicine. Given that faculty are role models for trainees, it is critical to identify strategies to manage these behaviours. A scoping review was conducted to identify interventions to prevent and manage unprofessional behaviour in any workplace or professional setting. METHODS: A search of 14 electronic databases was conducted in March 2016, reference lists of relevant systematic reviews were scanned, and grey literature was searched to identify relevant studies. Experimental and quasi-experimental studies that reported on interventions to prevent or manage unprofessional behaviours were included. Studies that reported impact on any outcome were eligible. Two reviewers independently screened articles and completed data abstraction. Qualitative analysis of the definitions of unprofessional behaviour was conducted. Data were charted to describe the study, participant, intervention and outcome characteristics. RESULTS: 12,482 citations were retrieved; 23 studies with 11,025 participants were included. The studies were 12 uncontrolled before and after studies, 6 controlled before and after studies, 2 cluster-randomised controlled trials (RCTs), 1 RCT, 1 non-randomised controlled trial and 1 quasi-RCT. Four constructs were identified in the definitions of unprofessional behaviour: verbal and/or non-verbal acts, repeated acts, power imbalance, and unwelcome behaviour. Interventions most commonly targeted individuals (22 studies, 95.7%) rather than organisations (4 studies, 17.4%). Most studies (21 studies, 91.3%) focused on increasing awareness. The most frequently targeted behaviour change was sexual harassment (4 of 7 studies). DISCUSSION: Several interventions appear promising in addressing unprofessional behaviour. Most of the studies included single component, in-person education sessions targeting individuals and increasing awareness of unprofessional behaviour. Fewer studies targeted the institutional culture or addressed behaviour change.
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 | 0,020 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,016 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».