An Interprofessional Education Pilot Program on Screening, Brief Intervention, and Referral to Treatment (SBIRT) Improves Student Knowledge, Skills, and Attitudes
Notice bibliographique
Résumé
BackgroundRecent efforts to prepare healthcare professionals to care for patients/clients with substance use problems have incorporated SBIRT (Screening, Brief Intervention, and Referral to Treatment) into graduate education programs. No research has examined the benefits and methods of an SBIRT interprofessional education approach for behavioral health graduate students and medical residents. This pilot study examined the implementation of an interprofessional curriculum on SBIRT to improve attitudes, abilities, skills, and knowledge of learners planned by faculty from multiple professions at a state university.MethodsFaculty in Counseling, Family Medicine, Internal Medicine, Nursing and Social Work departments collaborated to develop an interprofessional curriculum delivered through a small-group and active learning approach. Seventy-one residents and graduate students participated. Pre- and post-training surveys measured self-perceived attitudes, abilities, and skills along with objectively measured knowledge. Analysis examined pre- to post-training changes in scores.ResultsPre-training surveys yielded an 89% response rate; post-training, 85%. Self-perceived attitudes did not change significantly, except a 20% increase in how rewarded learners felt while working with patients/clients with alcohol/drug use disorders (P < .01). Compared to baseline, there was a statistically significant increase in all items of self-perceived ability (P<.01) and all items of self-perceived communication skills (P<=.04). Knowledge mean scores also increased significantly (P < .001) across both primary care and behavioral health learner groups.ConclusionsInterprofessional training in SBIRT produced improvements in ability, skills, knowledge, and some attitudes. Such programs may inform providers who care for patients/clients with substance use problems, thus improving their competence and personal experience.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».