Examining Associations Between Physician Data Utilization for Practice Improvement and Lifelong Learning
Notice bibliographique
Résumé
INTRODUCTION: Practice data can inform the selection of educational strategies; however, it is not widely used, even when available. This study's purpose was to determine factors that influence physician engagement with practice data to advance competence and drive practice change. METHODS: A practice-based, pan-Canadian survey was administered to three physician subspecialties: psychiatrists (Psy), radiation oncologists (RO), and general surgeons (GS). The survey was distributed through national specialty society membership lists. The survey assessed factors that influence the use of data for practice improvement and orientation to lifelong learning, using the Jefferson Scale of Physician Lifelong Learning (JeffSPLL). Linear regression was used to model the relationship between the outcome variable frequency of data use and independent predictors of continuous learning to improving practice. RESULTS: A total of 305 practicing physicians (Psy = 203, RO = 53, GS = 49) participated in this study. Most respondents used data for practice improvement (n = 177, 61.7%; Psy = 115, 40.1%; RO = 35; 12.2%; GS = 27, 9.4%) and had high orientation to lifelong learning (JeffSPLL mean scores: Psy = 47.4; RO = 43.5; GS = 45.1; Max = 56). Linear regression analysis identified significant predictors of data use in practice being: frequency of assessing learning needs, helpfulness of data to improve practice, and frequency to develop learning plans. Together, these predictors explained 42.9% of the variance in physicians' orientation toward integrating accessible data into practice (R = 0.426, P < .001). DISCUSSION: This study demonstrates an association between practice data use and perceived data utility, reflection on learning needs and learning plan development. Implications for this work include process development for data-informed action planning for practice improvement for physicians.
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 | 0,004 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».