Impact of the ENSP eLearning platform on improvingknowledge, attitudes and self-efficacy for treating tobaccodependence: An assessment across 15 European countries
Notice bibliographique
Résumé
INTRODUCTION: In 2018, the European Network for Smoking Cessation and Prevention (ENSP) released an update to its Tobacco Treatment Guidelines for healthcare professionals, which was the scientific base for the development of an accredited eLearning curriculum to train healthcare professionals, available in 14 languages. The aim of this study was to evaluate the effectiveness of ENSP eLearning curriculum in increasing healthcare professionals' knowledge, attitudes, self-efficacy (perceived behavioral control) and intentions in delivering tobacco treatment interventions in their daily clinical routines. METHODS: We conducted a quasi-experimental pre-post design study with 444 healthcare professionals, invited by 20 collaborating institutions from 15 countries (Albania, Armenia, Belgium, Italy, France, Georgia, Greece, Kosovo, Romania, North Macedonia, Russia, Serbia, Slovenia, Spain, Ukraine), which completed the eLearning course between December 2018 and July 2019. RESULTS: Healthcare professionals' self-reported knowledge improved after the completion of each module of the eLearning program. Increases in healthcare professionals' self-efficacy in delivering tobacco treatment interventions (p<0.001) were also documented. Significant improvements were documented in intentions to address tobacco use as a priority, document tobacco use, offer support, provide brief counselling, give written material, discuss available medication, prescribe medication, schedule dedicated appointment to develop a quit plan, and be persistent in addressing tobacco use with the patients (all p<0.001). CONCLUSIONS: An evidence-based digital intervention can be effective in improving knowledge, attitudes, self-efficacy and intentions on future delivery of tobacco-treatment interventions.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».