Challenges, success factors and pitfalls: implementation of distributed medical education
Notice bibliographique
Résumé
OBJECTIVES: There are only a few descriptive reports on the implementation of distributed medical education (DME) and these provide accounts of successful implementation from the senior leadership perspective. In Saskatchewan, over a period of 4 years (2010-2014), four family medicine residency sites were established and two additional sites could not be developed. The aim of this study was to identify challenges, success factors and pitfalls in DME implementation based upon experiences of multiple stakeholders with both successful and unsuccessful outcomes. METHODS: Data were obtained through document analysis (n = 64, spanning 2009-2016; perspectives of government, senior leadership, management and learners), focus groups of management and operations personnel (n = 10) and interviews of senior leaders (n = 4). Challenges and success factors were ascertained through categorisation. Iterative coding guided by three sensitising frameworks was used to determine themes in organisational dynamics. RESULTS: Both challenges and success factors included contextual variables, governance, inter- and intra-organisational relationships (most common success factor), resources (most common challenge), the learning environment and pedagogy. Management and operations were only a challenge. Organisational themes affecting the outcome and the pitfalls included the pace of development across multiple sites, collaborative governance, continuity in senior leadership, operations alignment and reconciliation of competing goals. CONCLUSIONS: Emerging opportunities for DME can be leveraged through collaborative governance, aligned operations and resolution of competing goals, even in constrained contexts, to translate political will into success; however, there are pitfalls that need to be avoided. Our findings based upon multi-stakeholder perspectives add to the body of knowledge on deployment, carefully considering the conditions for success and associated pitfalls.
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 | 0,059 | 0,119 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,005 |
| 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 ».