How Medical Error Shapes Physicians’ Perceptions of Learning: An Exploratory Study
Notice bibliographique
Résumé
PURPOSE: Error is inevitable in medicine, given its inherent uncertainty and complexity. Errors can teach powerful lessons; however, because of physicians' self-imposed silence and the intricacies of responsibility and blame, learning from medical error has been underexplored. The purpose of this study was to understand how physicians perceived learning from medical errors by exploring the tension between responsibility and blame and factors that affected physicians' learning. METHOD: Nineteen physicians participated in semistructured interviews, conducted in 2016-2017 at Western University in Canada, that probed their experiences in learning from medical errors. Data collection and analysis were conducted iteratively, with themes identified through constant comparative analysis. RESULTS: Participants felt personal responsibility and blame for their errors. Residency produced particularly salient memories of errors. Participants identified interconnecting cultural factors (normalizing error, peer support and mentorship, formal rounds) and individual factors (emotional response, confidence and experience), which either helped or hindered their perceived learning. CONCLUSIONS: Learning from medical error requires navigation through blame and responsibility. The keen responsibility felt by physicians must be acknowledged when enacting a system-based approach to medical error. Adopting a learning culture perspective suggests opportunities to enable and disable features of the learning environment to optimize learning from error as residents learn to become the most responsible physician for all outcomes. A better understanding of the factors that shape learning from error can help make the transition from error to learning more explicit, thereby increasing the opportunity to learn and teach from errors that permeate the practice of medicine.
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 | 0,010 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,003 | 0,003 |
| 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 ».