What Are the Self-Assessed Training Needs of Early Career Professionals in Addiction Medicine? A BEME Focused Review
Notice bibliographique
Résumé
<ns4:p>This article was migrated. The article was marked as recommended. Background: Substance use disorders represent a significant social and economic burden globally. Accurate diagnosis and treatment by early career professionals in addiction medicine (ECPAM) falls short, in part, due to a lack of training programmes targeting this career stage. Prior research has highlighted the need to assess the specific training needs of ECPAM. Therefore, this focused review assessed self-reported training needs of ECPAM. Methods: Medical and medical education databases (Medline, EMBASE, CINAHL, ERIC, PSYCHInfo, BEI, and AEI) were searched to June 2018 for studies reporting self-reported training needs of ECPAM (trained at most five years before assessment occurred). Retrieved citations were screened for eligibility; two independent researchers reviewed included studies, assessed quality and extracted data. Experts reviewed study findings. Results: Of 1364 identified records, three cross-sectional studies were included, originating from China, USA and England. All studies surveyed ECPAM using self-reported questionnaires, with one study including face-to-face interviews. Participants included residents, physicians and social workers. All studies had a low risk of bias, and reported a wide range of training needs including rehabilitation, relapse prevention, buprenorphine treatment and risk assessment. Conclusions: There is little evidence for and substantial heterogeneity of training needs of ECPAM found in this review, particularly at the level of skills and knowledge. Study quality varies greatly. ECPAM training needs assessments are a priority.</ns4:p>
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,000 |
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 ».