Teaching Professionalism in Postgraduate Medical Education: A Systematic Review
Notice bibliographique
Résumé
PURPOSE: This systematic review sought to summarize published professionalism curricula in postgraduate medical education (PGME) and identify best practices for teaching professionalism. METHOD: Three databases (MEDLINE, Embase, ERIC) were searched for articles published from 1980 through September 7, 2017. English-language articles were included if they (1) described an educational intervention addressing professionalism, (2) included postgraduate medical trainees, and (3) evaluated professionalism outcomes. RESULTS: Of 3,383 articles identified, 50 were included in the review. The majority evaluated pre- and posttests for a single group (24, 48%). Three (6%) were randomized controlled trials. The most common teaching modality was small-group discussions (28, 56%); other methods included didactics, reflection, and simulations. Half (25, 50%) used multiple modalities. The professionalism topics most commonly addressed were professional values/behavior (42, 84%) and physician well-being (23, 46%). Most studies measured self-reported outcomes (attitude and behavior change) (27, 54%). Eight (16%) evaluated observed behavior and 3 (6%) evaluated patient outcomes. Of 35 studies that evaluated statistical significance, 20 (57%) reported statistically significant positive effects. Interventions targeting improvements in knowledge were most often effective (8/12, 67%). Curriculum duration was not associated with effectiveness. The 45 quantitative studies were of moderate quality (Medical Education Research Study Quality Instrument mean score = 10.3). CONCLUSIONS: Many published curricula addressing professionalism in PGME are effective. Significant heterogeneity in curricular design and outcomes assessed made it difficult to synthesize results to identify best practices. Future work should build upon these curricula to improve the quality and validity of professionalism teaching tools.
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 | 0,017 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,006 |
| Bibliométrie | 0,014 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».