Decay of Competence with Extended Research Absences During Residency Training: A Scoping Review
Notice bibliographique
Résumé
A significant number of residents in postgraduate training programs pursue dedicated research training. Currently, no formal curricula exist to transition residents back into clinical roles following dedicated research leave. This scoping review aims to determine what literature exists on the challenges faced by trainees who interrupt their clinical training for extended periods of time for research leave. The Pubmed and Medline databases were searched for all study designs related to postgraduate trainees taking academic or research leave. A three-step selection process including title, abstract and full-article review was employed to identify articles that mentioned decay of knowledge, skill or competence. A narrative review of the literature was generated to present key themes identified within the studies. The search yielded 174 articles of which five investigated resident skill decay during research leave. The five studies included for analysis were cohort studies that used general surgery residents' self-perception and faculty members' perception of residents' skill decay as a measure. Residents and faculty perceived decay of residents' technical skills, leadership skills and knowledge following dedicated research leave. The greatest decay perceived was in technical skills, specifically with more complex tasks and longer periods of non-use. This review identified that residents and faculty perceive a decay of resident skills following dedicated research training. To provide the necessary support to limit this potential decay, as well as to assist in the transition back into clinical training, the needs of and challenges faced by research residents and postgraduate programs must be better understood.
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 | 0,006 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».