MétaCan
Menu
← Retour à la cohorte
Enregistrement W2898328560

Exploring family medicine preceptor and resident perceptions of medical assistance in dying and desires for education.

2018· article· en· W2898328560 sur OpenAlexaffabout
Susan MacDonald, Sarah Symonds LeBlanc, Nancy Dalgarno, Karen Schultz, Emily Johnston, Mary Martin, Daniel H. Zimmerman

Notice bibliographique

RevuePubMed · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueInnovations in Medical Education
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésPreceptorFeelingCurriculumMedicineFamily medicineNursingPsychologySocial psychology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: To examine the perspectives of family medicine preceptors and residents, including their interest and intent to participate in and their knowledge and willingness to teach or learn about medical assistance in dying (MAID). DESIGN: Two anonymous surveys were distributed via e-mail using a Dillman approach to residents and preceptors. Responses were collected between August 23 and November 29, 2016. Data were analyzed using descriptive and inferential statistics. SETTING: The large, 4-site Queen's University family medicine residency program in southeastern Ontario. PARTICIPANTS: A total of 71 preceptors and 62 residents. MAIN OUTCOME MEASURES: Physician and resident knowledge of and experience, comfort, and confidence with MAID; willingness to participate in MAID; perspectives on the effect of MAID on team relationships; and the importance, desired content, and delivery of MAID education. RESULTS: < .001). Most participants from both groups believed it was important to include MAID in the core family medicine residency curriculum and identified specific curriculum content and delivery strategies. CONCLUSION: Family medicine preceptors and residents are willing and want to learn about MAID. Our research demonstrates a need to integrate MAID into the family medicine residency curriculum, with faculty development and continuing professional development for preceptors.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,157
Tête enseignante GPT0,371
Écart entre enseignants0,214 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations16
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePubMed→Même sujetInnovations in Medical Education→Travaux en français237 207→