Effectiveness of a professional development training program in increasing knowledge of mental health clinicians specializing in early psychosis
Notice bibliographique
Résumé
AIM: For early psychosis services to be effective, it is essential to have staff that are trained in evidence-based interventions in this area. In this paper, we report on research undertaken by The Early Psychosis Prevention and Intervention Centre's Statewide Services (ESW) team. The focus was on assessing knowledge acquisition in early psychosis clinicians that had attended ESW's specialist training. METHODS: Between October 2012 and October 2017, data were collected from a large cohort of clinicians that had attended 46 ESW workshops covering topics identified in international guidelines as key components of early psychosis service provision. Participants were asked to complete between 3 and 11 pre- and post-workshop short answer and/or multiple choice questions that related to learning outcomes for the workshop. The percentage of correct responses before and after the workshop was compared for each participant, with a cumulative measure taken to provide information regarding knowledge acquisition across each workshop. RESULTS: Participant compliance was high (89.7%) with 962 completed questionnaires being collected from 1073 attendees across the workshops. Results showed that the ESW training led to a statistically significant increase in clinician knowledge from pre-training scores of 47.2% correct, to 83.5% correct answers at the conclusion of training (pre M = 47.2%, SD = 28.8; post M = 83.5%, SD = 23.7; t[890] = -35.66, P < 0.001). CONCLUSIONS: Training that utilized adult learning principles had a strong focus on evidence-based interventions, and used clinical examples to embed core principles, led to a statistically significant increase in early intervention clinician knowledge.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».