Professional Attitudes in Health Professions' Education: The Effects of an Anatomy Near‐Peer Learning Activity
Notice bibliographique
Résumé
Interprofessional attitudes existing between healthcare disciplines can negatively impact communication and collaboration in the clinical setting. While human anatomy is a topic central to healthcare trainees, the potential of the anatomy laboratory to minimize negative interprofessional attitudes has yet to be characterized. This study aimed to assess the effects of an anatomy interprofessional near-peer learning activity (AIP-NPLA) on medical and nursing students' interprofessional attitudes at McGill University. The authors employed a convergent parallel mixed methods study to explore participants' AIP-NPLA experiences. The Attitudes to Health Professionals Questionnaire (AHPQ) was used pre- and post-AIP-NPLA to assess participants' attitudes toward their own and their counterpart profession. In addition, a focus group was held immediately following the AIP-NPLA to explore participants' experiences and interprofessional perceptions. Quantitative results using a principal components analysis demonstrated significant changes in nursing students' responses between pre- and post-AIP-NPLA scoring, rating the medical profession as being more caring overall. Medical students' responses pre- and post-AIP-NPLA demonstrated no significant differences. Qualitative results also suggested a breakdown of negative attitudes, an increased understanding of inter- and intra-professional roles, and the importance of interprofessional collaboration and mutual learning for their careers. These findings revealed that attitudes among healthcare trainees may be positively restructured in the anatomy laboratory, allowing for collaborative care to predominate in current and future clinical practices.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».