Medical School Strategies to Address Student Well-Being: A National Survey
Notice bibliographique
Résumé
PURPOSE: To describe the breadth of strategies U.S. medical schools use to promote medical student well-being. METHOD: In October 2016, 32 U.S. medical schools were surveyed about their student well-being initiatives, resources, and infrastructure; grading in preclinical courses; and learning communities. RESULTS: Twenty-seven schools (84%) responded. Sixteen (59%) had a student well-being curriculum, with content scheduled during regular curricular hours at most (13/16; 81%). These sessions were held at least monthly (12/16; 75%), and there was a combination of optional and mandatory attendance (9/16; 56%). Most responding schools offered a variety of emotional/spiritual, physical, financial, and social well-being activities. Nearly one-quarter had a specific well-being competency (6/27; 22%). Most schools relied on participation rates (26/27; 96%) and student satisfaction (22/27; 81%) to evaluate effectiveness. Sixteen (59%) assessed student well-being from survey data, and 7 (26%) offered students access to self-assessment tools. Other common elements included an individual dedicated to overseeing student well-being (22/27; 82%), a student well-being committee (22/27; 82%), pass/fail grading in preclinical courses (20/27; 74%), and the presence of learning communities (22/27; 81%). CONCLUSIONS: Schools have implemented a broad range of well-being curricula and activities intended to promote self-care, reduce stress, and build social support for medical students, with variable resources, infrastructure, and evaluation. Implementing dedicated well-being competencies and rigorously evaluating their impact would help ensure appropriate allocation of time and resources and determine if well-being strategies are making a difference. Strengthening evaluation is an important next step in alleviating learner distress and ultimately improving student well-being.
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 | 0,009 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».