How to Convince Clinicians that ‘Soft’ Skills Save Lives? Practical Tips to Use Clinical Studies to Teach Physicians’ Roles
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
<ns4:p>This article was migrated. The article was marked as recommended. The implementation of competency-based medical education is hampered by unsupported arguments like 'soft' skills are important, but they don't save lives. When implementing teaching and assessment methods targeting non-medical expert roles, student and physician buy-in is crucial. These intrinsic roles (e.g. collaborator or professional) are unfortunately misinterpreted and underused by supervisors, in part because of the false assumption that those skills have minimal impact on patient outcomes. On the contrary, although not worded in those terms, many clinical studies prove the impact of those roles on patient mortality, morbidity, readmission rate, or compliance. Whereas physicians feel that they are properly trained to give feedback, they struggle in making this connection between clinical studies and intrinsic roles in their everyday teaching habits. In this article, we provide practical tips on why and how to use high-impact clinical studies to enlighten supervisors and trainees about the educational and clinical importance of those skills. A slide kit, to be presented in clinical settings, provides a selection of 30 examples of 'hard' evidence on those so-called 'soft' skills, reinforcing the fact that intrinsic roles are intertwined with the medical expert role to improve patient care.</ns4:p>
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 | 0,003 | 0,069 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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