Building Personal Resilience in Primary Care Paramedic Students, and Subsequent Skill Decay
Notice bibliographique
Résumé
Introduction Paramedics are routinely exposed to traumatic incidents that include physical injuries; these events may manifest into psychosocial injury. Proactive and preventive measures have the potential to mitigate the negative impact of exposure to traumatic events. Enhancing an individual's capacity to effectively manage stressful/adverse life events through an online resilience resource (ORR) offers a promising option for paramedics. The aim of this study is to investigate the initial impact of an ORR on resilience and to explore the potential skill decay following this self-guided online resource among pre-employment paramedic trainees. Methods Through a repeated measures design, 227 primary care paramedics from British Columbia, Canada completed a baseline resilience assessment and ORR. A subset of participants completed follow-up resilience assessments at 3 to 6 month or 9-month intervals. Results Between the baseline and 3-month follow-up tests, results indicate that self-report resilience scores showed a slight improvement. However, as time increased to 6 or 9 months, a statistically significant decrease in resilience scores in comparison to the baseline was observed. Conclusion This study presents evidence to suggest that an educational tool such as an online self-paced training program for building resilience may be an effective strategy for improving short-term personal resilience among primary care paramedic students. Given the gradual skill decay associated with an ORR, we can highlight the temporal limits of resilience training. Developing additional resilience training programs to be delivered throughout students’ pre-employment education may help reduce skill decay.
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 | 0,001 |
| 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 ».