Developing Competencies for Health System Impact: Early Lessons learned from the Health System Impact Fellows
Notice bibliographique
Résumé
BACKGROUND: The Health System Impact (HSI) Fellowship program provides highly qualified post-doctoral fellows studying health services and policy research (HSPR) with opportunities for experiential learning, enriched core competency development and mentorship from senior-level leaders within health system organizations. Its overall aim is to prepare post-doctoral fellows with the research and professional skills, experiences and networks to make meaningful and impactful contributions in careers in academic and applied health system settings. OBJECTIVE: This study examined whether this HSI Fellowship program has contributed to the development of enriched core competencies in HSPR. METHODS: A competency assessment tool was developed and administered to the 46 fellows and their health system and academic supervisors from the inaugural HSI Fellowship cohort. Fellows' self-assessments at baseline, three months and 12 months were analyzed, along with supervisors' assessments at three and 12 months. Descriptive analyses were used to examine competency development over time. Differences by gender and between supervisor and fellow ratings were analyzed. RESULTS: HSI fellows' self-assessments indicate that they strengthened their skills in all 10 enriched core competencies. Supervisors' assessments of the fellows' competencies also improved from baseline to 12 months. Gender differences at baseline disappeared by the 12-month assessment. CONCLUSION: The HSI Fellowship provides an opportunity to develop the full suite of enriched core competencies, particularly in competency domains that are not currently emphasized in HSPR doctoral curriculum.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».