MétaCan
Menu
Retour à la cohorte
Enregistrement W2897267042 · doi:10.1111/medu.13715

Challenges, success factors and pitfalls: implementation of distributed medical education

2018· article· en· W2897267042 sur OpenAlexaffabout
Anurag Saxena, Kathy Lawrence, Loni Desanghere, Tom Smith‐Windsor, G. H. White, Dan Florizone, Sinead McGartland, Kent Stobart

Notice bibliographique

RevueMedical Education · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésStakeholderCorporate governanceCritical success factorGovernment (linguistics)Focus groupMedical educationPacePublic relationsKnowledge managementPolitical sciencePsychologyMedicineBusinessComputer science

Résumé

récupéré en direct d'OpenAlex

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,805
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,410
Écart entre enseignants0,388 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMedical EducationMême sujetInnovations in Medical EducationTravaux en français237 207