Faculty Development in Improvement Science: Building Capacity and Expanding Curricula Across an Academic Health Center
Notice bibliographique
Résumé
ABSTRACT Background The ability of health professions faculty to design, teach, evaluate, and improve relevant curricula is vital for teaching improvement science (IS) skills to trainees. Objective We launched a Foundational Improvement Science Curriculum (FISC) to build faculty competence in IS teaching and scholarship, and to develop, expand, and standardize IS curricula across one institution. Methods FISC consisted of 9 full or half-day sessions over 10 months in 2015–2016 and 2016–2017 academic years. Each session required pre-work, including readings, Institute for Healthcare Improvement Open School modules, and personal improvement projects. Sessions included brief didactics, group activities, planning, and feedback on curriculum development. An evaluation strategy was employed, including pre- and post-program self-assessment, competency mapping, evaluations of didactics and overall program, and participant satisfaction. Results Forty individuals from 23 academic programs voluntarily completed FISC, representing 20% of graduate medical education (GME) programs and 50% of primary GME programs in addition to undergraduate medical education (UME) and nursing programs. Median self-assessed competency scores (mid versus final score; scale 1–9, 9 high; P < .05 for all comparisons) improved over the course for all competencies for knowledge (3 versus 7), application (2 versus 7), curriculum design (2 versus 7), and scholarship (2 versus 5). Eighteen new or revised IS curricula were developed across GME, UME, and nursing programs. Conclusions FISC offers a feasible model to enhance and support faculty development in IS and IS curriculum design.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».