Quality peer mentorship in spinal cord injury: A thought-listing technique to understand characteristics of high-quality and low-quality peer mentors
Notice bibliographique
Résumé
Background: Peer mentorship is a promising approach to support full participation in individuals living with spinal cord injury (SCI). Peer mentorship occurs when a peer mentor with lived experience of SCI provides knowledge, counsel and/or guidance to a mentee living with SCI. Little is known about strategies peer mentors use to support mentees. Understanding characteristics that differentiate high-quality from low-quality peer mentors may provide insight into the mechanisms that underlie quality peer mentorship. Objective: The aim of this study is to understand characteristics that differentiate high-quality and low-quality peer mentors in hospital and community settings. Methods: A thought-listing technique was completed by 25 peer mentors and 18 mentees (mean age: 46.7 years +/- 11.84; 48% female). Participants were asked to visualize quality peer mentors in hospital and community settings. Participants were then prompted to freely list any characteristics thought of during visualization. Final lists of characteristics were screened for duplicates and synonyms. Refined lists were thematically analyzed inductively to create distinct categories. Results: After screening, 276 characteristics (50% hospital-setting) were listed. The most frequently identified themes of effective peer mentors were similar in hospital and community settings which included: "knowledgeable", "listening ability" and "empathetic". Identified themes of ineffective peer mentors in hospital settings included "poor listening ability" and "judgmental"; and "rude" and "aggressive" in community settings. Implications: Ensuring all peer mentors are knowledgeable, empathetic and have strong listening skills may improve their ability to provide quality peer mentorship. Findings from this study will inform future training for peer mentorship programs.Acknowledgments: Social Sciences and Humanities Research Council; Michael Smith Foundation for Health Research
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 | 0,014 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».