Learners as Leaders: A Global Groundswell of Students Leading Choosing Wisely Initiatives in Medical Education
Notice bibliographique
Résumé
Resource stewardship and reducing low-value care have emerged as urgent priorities for health care delivery systems worldwide. However, few medical schools' curricula include adequate content to allow learners to master the knowledge, skills, and attitudes needed to contribute to this transformation toward value-based health care. This article describes a program to launch student-led curriculum enhancement initiatives in 7 countries. The program, called STARS (Students and Trainees Advocating for Resource Stewardship), was inspired by Choosing Wisely, a campaign by the American Board of Internal Medicine Foundation that seeks to promote conversations on avoiding unnecessary medical tests, treatments, and procedures.The initial STARS model, which originated in Canada in 2015, included a leadership summit, where students from multiple medical schools learned about Choosing Wisely principles, leadership, and advocacy. These students then led grassroots efforts at their local medical schools with faculty and other students to raise awareness and advocate for changes related to resource stewardship. Student-led efforts resulted in the integration of Choosing Wisely principles into case-based learning, the creation of student interest groups and electives, the launch of social media campaigns, and the organization of special presentations by local experts.The rapid spread of similar programs in 6 other countries (Italy, Japan, the Netherlands, New Zealand, Norway, and the United States) by 2018 suggests that STARS resonates across multiple settings and signals the potential for such a model to advance other important areas in medical education. This article documents results and lessons learned from the first 4 years of the program.
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 | 0,014 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,003 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».