SQUIRE-EDU (Standards for QUality Improvement Reporting Excellence in Education): Publication Guidelines for Educational Improvement
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The SQUIRE 2.0 (Standards for QUality Improvement Reporting Excellence) guidelines were published in 2015 to increase the completeness, precision, and transparency of published reports about efforts to improve the safety, value, and quality of health care. The principles and methods applied in work to improve health care are often applied in educational improvement as well. In 2016, a group was convened to develop an extension to SQUIRE that would meet the needs of the education community. This article describes the development of the SQUIRE-EDU extension over a three-year period and its key components. SQUIRE-EDU was developed using an international, interprofessional advisory group and face-to-face meeting to draft initial guidelines; pilot testing of a draft version with nine authors; and further revisions from the advisory panel with a public comment period. SQUIRE-EDU emphasizes three key components that define what is necessary in systematic efforts to improve the quality and value of health professions education. These are a description of the local educational gap; consideration of the impacts of educational improvement to patients, families, communities, and the health care system; and the fidelity of the iterations of the intervention. SQUIRE-EDU is intended for the many and complex range of methods used to improve education and education systems. These guidelines are projected to increase and standardize the sharing and spread of iterative innovations that have the potential to advance pedagogy and occur in specific contexts in health professions education.
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.
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 | 0,029 | 0,085 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle